2D/3D配準在臨床診斷和手術(shù)導(dǎo)航規(guī)劃中有著廣泛的應(yīng)用,可解決醫(yī)學圖像領(lǐng)域中不同維度圖像存在信息缺失的問題,能輔助醫(yī)生在術(shù)中精準定位患者的病灶。常規(guī)的2D/3D配準方法主要依賴于圖像的灰度進行配準,但非常耗時,不利于臨床實時性的需求,并且配準過程中容易陷入局部最優(yōu)值。提出用深度學習的方法來解決2D/3D醫(yī)學圖像配準問題。采用一個基于深度學習的卷積神經(jīng)網(wǎng)絡(luò),通過網(wǎng)絡(luò)對數(shù)字影像重建技術(shù)(DRR)進行訓練并自動學習圖像特征,預(yù)測X光圖像所對應(yīng)的參數(shù),從而實現(xiàn)配準。以人體骨盆的模型骨為實驗對象,根據(jù)骨盆的CT數(shù)據(jù)生成36 000張DRR圖像作為訓練集,同時通過C臂采集模型骨的50張X光圖像作為驗證。結(jié)果顯示,深度學習算法在相關(guān)系數(shù)、歸一化互信息、歐式距離3個精度評價指標上的測試值分別為0.82±0.07、0.32±0.03、61.56±10.91,而常規(guī)2D/3D算法對應(yīng)的測試值分別為0.79±0.07、0.29±0.03、37.92±7.24,說明深度學習算法的配準精度優(yōu)于常規(guī)2D/3D算法的配準精度,且不存在陷入局部最優(yōu)值的問題。同時,深度學習的配準時間約為0.03 s,遠低于常規(guī)2D/3...

【文章頁數(shù)】：10 頁

【文章目錄】：
引言
1 方法
    1.1 配準流程
    1.2 網(wǎng)絡(luò)結(jié)構(gòu)
    1.3 損失函數(shù)
        1.3.1 交叉熵
        1.3.2 正則項
        1.3.3 center loss正則項
        1.3.4 總損失函數(shù)
    1.4 圖像預(yù)處理
    1.5 實驗設(shè)置
    1.6 實驗評價方法
2 結(jié)果
3 討論
4 結(jié)論



本文編號：3932193