基于深度学习的2D/3D医学图像配准研究

摘要

2D/3D配准在临床诊断和手术导航规划中有着广泛的应用,可解决医学图像领域中不同维度图像存在信息缺失的问题,能辅助医生在术中精准定位患者的病灶.常规的2D/3D配准方法主要依赖于图像的灰度进行配准,但非常耗时,不利于临床实时性的需求,并且配准过程中容易陷入局部最优值.提出用深度学习的方法来解决2D/3D医学图像配准问题.采用一个基于深度学习的卷积神经网络,通过网络对数字影像重建技术(DRR)进行训练并自动学习图像特征,预测X光图像所对应的参数,从而实现配准.以人体骨盆的模型骨为实验对象,根据骨盆的CT数据生成36 000张DRR图像作为训练集,同时通过C臂采集模型骨的50张X光图像作为验证.结果 显示,深度学习算法在相关系数、归一化互信息、欧式距离3个精度评价指标上的测试值分别为0.82±0.07、0.32±0.03、61.56±10.91,而常规2D/3D算法对应的测试值分别为0.79±0.07、0.29±0.03、37.92±7.24,说明深度学习算法的配准精度优于常规2D/3D算法的配准精度,且不存在陷入局部最优值的问题.同时,深度学习的配准时间约为0.03 s,远低于常规2D/3D配准的时间,可满足临床对于实时配准的需求,未来将进一步开展临床数据的2D/3D配准研究.