[发明专利]基于多尺度强化学习的CT-X图像配准方法及装置

说明书

基于多尺度强化学习的CT‑X图像配准方法及装置，能够实现自动将术前CT图像配准至术中X图像上，配准时间短，配准精度高。方法包括：(1)设计带权重奖励的智能体；(2)对浮动图像进行空间降维；(3)浮动图像与目标图像域适应；(4)执行多尺度智能体策略。

技术领域

本发明涉及医学图像处理的技术领域，尤其涉及一种基于多尺度强化学习的CT-X图像配准方法，以及基于多尺度强化学习的CT-X图像配准装置。

背景技术

术前术中影像配准是手术导航应用中的关键技术。X-ray具有实时成像的特点，常用作微创手术的术中引导图像，如经颈静脉肝内门腔静脉分流术(Tips)、脊柱微创手术(MISS)等，但它是2D成像，缺乏深度信息、易产生伪影、成像质量低。如果CT影像扫描为3D成像，则成像质量高，但成像耗时，所以一般用于术前诊断。因此，传统手术中医生往往要多次对照术前3D影像(CT图像)和术中2D影像(X图像)，才能圆满完成手术。近年来，越来越多的研究将术前3D图像配准融合到术中2D图像，以完成高维信息到低维信息的补偿，为医生提供术中导航，进而减少医生的手术时间，降低患者的辐射暴露风险。

然而，术前CT图像到术中X图像的配准任务基于不同模态和不同维度，配准过程很难不在依赖临床经验和解剖学知识的专家指导下进行。目前临床中常采用手动的方法，或者采用半自动的方法来完成配准，如Philips Healthcare Vessel Navigator 1和GEVessel assist 2系统，或者结合额外的标志物(如铅点)来辅助完成。因此，CT与X图像的无标自动配准是一项具有挑战的任务，有助于减少冗长的学习曲线，降低配准时间，并且提升配准精度。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于多尺度强化学习的CT-X图像配准方法，其能够实现自动将术前CT图像配准至术中X图像上，配准时间短，配准精度高。

本发明的技术方案是：这种基于多尺度强化学习的CT-X图像配准方法，其包括以下步骤：

(1)设计带权重奖励的智能体：定义配准智能体的状态、动作空间和停止条件，同时，根据平面内和平面外空间变换的特性，设计带权重的奖励函数；

(2)对浮动图像进行空间降维：采用数字影像重建技术DRR基于光线投射法生成二维模拟X图像；

(3)浮动图像与目标图像域适应：采用Cycle-GAN网络将真实X图像生成模拟DRR图像，再将其作为新的目标配准图像，以降低浮动图像和目标图像之间的域差异；

(4)执行多尺度智能体策略：首先，定义智能体多尺度级别及其对应的动作步长和感兴趣区域大小；然后，在每一个尺度都采用相同的网络结构，并在不同尺度上训练一个独立的网络参数；同时，除了初始尺度，每个尺度都以在上一个尺度上收敛的空间变换，作为搜索当前尺度最优变换的起点。

本发明通过输入三维CT图像和二维X图像，其中三维CT图像为浮动图像，二维X图像为目标图像；定义智能体的状态、动作空间、停止条件和带平面内外变换权重的奖励；采用Cycle-GAN结构将二维X图像生成模拟DRR图像，完成浮动图像和目标图像的域适应；三维CT图像根据当前变换，投影生成指定大小的二维DRR感兴趣区域；选择一种强化学习框架，训练多尺度智能体寻找最佳变换，直至CT图像生成的DRR图像和X图像达到最大相似度，即达到配准停止条件时输出配准变换结果，因此本发明能够实现自动将术前CT图像配准至术中X图像上，配准时间短，配准精度高。

还提供了基于多尺度强化学习的CT-X图像配准装置，其包括：

设计模块，其配置来设计带权重奖励的智能体：定义配准智能体的状态、动作空间和停止条件，同时，根据平面内和平面外空间变换的特性，设计带权重的奖励函数；

空间降维模块，其配置来对浮动图像进行空间降维：采用数字影像重建技术DRR基于光线投射法生成二维模拟X图像；