胸主动脉腔内修复术前CT血管造影与术中X射线图像的配准算法

doi:10.3969/j.issn.2095-4344.1901

摘要/Abstract

摘要：

文章快速阅读：

文题释义：
数字重建影像算法：是从射野方向或从类似模拟定位机的X射线靶方向观察3D重建影像的结果，目前多用于CT成像的3D到2D的投影。
分支解码结构：在编码器输出之后，将解码器分成多股，以提高对不同任务的适应性。

摘要
背景：胸主动脉腔内修复是治疗主动脉夹层及胸主动脉瘤的重要手段，手术成功与否取决于覆膜支架是否放置到了正确位置；然而支架置入时，医生在术中X射线图像中看不到主动脉，手术难度高、风险大。配准术前CT血管造影和术中X射线图像可以帮助医生放置支架，提高成功率。
目的：提出一种适用于胸主动脉腔内修复的术前CT血管造影与术中X射线图像配准算法。
方法：首先，在不同虚拟视角下，对全图CT血管造影和骨骼CT分别做数字重建影像，将两者叠加起来，得到各种视角位置姿态下的数字重建影像库，用于与术中X射线图像配准；其次，提出一种基于分支解码结构的深度神经网络，使用数字重建影像库训练，可对术中X射线图像的位置姿态参数进行估计，从而获知CT血管造影与术中X射线图像之间的空间位置关系；最后，根据X射线图像在CT血管造影坐标系中的位姿参数，将CT血管造影中胸主动脉影像进行重投影，叠加至术中X射线图像中，为医生手术提供导航辅助。
结果与结论：①通过实验验证，此文算法与梯度相关、模式强度2种传统算法相比，均方根误差降低17%；②双分支编解码结构网络，在数字重建影像测试集上，参数估计误差减小到无分支结构网络的30%；③在术中X射线图像的实验中，均方根误差也有2%的降低。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程
ORCID: 0000-0003-2430-4183(贾瑞明)

关键词: 胸主动脉腔内修复术, 配准, 深度神经网络, CT血管造影, X射线图像, 分支编解码

Abstract:

BACKGROUND: Thoracic aortic endovascular repair is an important method for treating aortic dissection and thoracic aortic aneurysm. The success of the operation depends on whether the stent graft is placed in the correct position. However, when the stent is implanted, the aorta in the intraoperative X-ray image is invisible, so the operation is difficult and the risk is high. Registration of preoperative CT angiography and intraoperative X-ray images can help doctors place stents and increase success rates.
OBJECTIVE: To propose a preoperative CT angiography and intraoperative X-ray image registration algorithm for thoracic aortic endovascular repair.
METHODS: Firstly, digital reconstruction images of CT angiography and bone CT were performed under different virtual perspectives, and the two were superimposed to obtain a digital reconstruction image library under various angles of position and orientation for intraoperative X-ray images. Secondly, we proposed a deep neural network based on branch decoding structure. Using digital reconstruction image library training, the position and attitude parameters of intraoperative X-ray images could be estimated to obtain CT angiography and intraoperative X-ray images. The spatial positional relationship was obtained. Finally, according to the pose parameters of the X-ray image in the CT angiography coordinate system, the thoracic aorta image in the CT angiography was re-projected and superimposed into the intraoperative X-ray image to navigation assistance for the doctors.
RESULTS AND CONCLUSION: (1) The experimental results show that the root mean square error of the proposed algorithm is reduced by 17% compared with the traditional algorithms of gradient correlation and mode strength. (2) In the dual-branch code structure network, the parameter estimation error is reduced to 30% of the network without branching structure in the digital reconstruction image test set. (3) In the experimental X-image experiment, the root mean square error is also reduced by 2%.

Key words: thoracic endovascular aortic repair, registration, deep neural network, CT angiography, X-ray image, branch code

中图分类号:

贾瑞明, 李浩轩, 陈彧, 黄小勇, 濮欣, 舒丽霞. 胸主动脉腔内修复术前CT血管造影与术中X射线图像的配准算法[J]. 中国组织工程研究, 2019, 23(35): 5658-5663.

Jia Ruiming, Li Haoxuan, Chen Yu, Huang Xiaoyong, Pu Xin, Shu Lixia. Preoperative CT angiography and intraoperative X-ray image registration algorithm for thoracic aortic endovascular repair [J]. Chinese Journal of Tissue Engineering Research, 2019, 23(35): 5658-5663.

图/表（结果） 8

2.4 实验结果和分析为了验证算法的有效性，先利用未经过训练的400张CT血管造影数字重建影像图像进行前期实验，对网络输出参数进行预测，得到角度和位移参数的误差并与传统GoogleNet，ResNet以及VGG网络进行对比。实验结果见表1。

如表1所示，此文所提出的分支解码网络结构在角度误差和位移误差上都明显优于传统GoogleNet，ResNet以及VGG网络，证明了此文算法的有效性和优越性。究其原因，位移变化和角度变化在叠加数字重建影像图像上的表现方式差异很大，如果在输入至回归器之前，不将其分开计算，则会相互产生干扰，使训练的精度下降。同时，此文前面用到的神经网络结构，并没有加入解码器部分，导致在通道数增加之后，空间信息损失较多，对回归的精度影响较大。

在深度神经网络训练时，通常需要对图像进行裁剪，此次研究选择中心裁剪和随机裁剪2种方式，裁剪后图像的训练结果见表2。

如表2所示，随机裁剪的图像训练后，误差要小于中心裁剪的图像库。这是由于随机裁剪的数据在随机性上要强于中心裁剪，增加了数据的多样性，提高了训练的准确性。

在位移计算中，沿X，Y，Z轴进行平移在图像中的表现差别也很大，沿X轴平移在图像中的表象为缩放；沿Y轴和Z轴的平移在图像中只表现为平移。因此如果将沿X轴的平移参数和沿Y轴和Z轴的平移参数再次分开进行解码和输出，对回归精度会产生一定影响。多分支解码网络结构图见图4。

为保证可以进行直观的数值对比，将分别在3个坐标轴上的位移误差，通过向量模的计算转化为单一值，与一次分支的网络结构训练结果进行对比，训练结果见表3。

由表3可看出，在角度误差方面，2种解码器的训练精度相同，可见位移计算的再次分支对角度计算没有影响。在位移参数方面，与双分支解码误差差别也不大，甚至略高。沿X轴平移的参数精度有所提升，而沿Y轴和Z轴平移的参数变化不大甚至略有下降。因此在考虑了占用计算资源等方面之后，舍弃多分支解码结构，采用一次分支解码结构进行参数回归。

此文使用采集得到的术中X射线图像和前文所述的CT血管造影数字重建影像图像实验，见图5。

采用上述X射线图像训练集在前述深度神经网络中训练，经上述配准算法后，得到了CT血管造影与X射线图像的配准结果。将实验结果与相似性测度分别为梯度相关和模式强度2种传统配准算法的配准结果进行比较^[30-31]，2种传统配准算法的优化策略均采用爬山算法，见图6。

如图6所示，图6A表示只显示血管结构的数字重建影像图像；图6B表示用Inception+branch网络结构的深度学习配准结果，并将血管部位取伪彩色的效果图；图6C表示为经过相似性测度为模式强度的传统配准算法的配准结果；图6D表示经过相似性测度为梯度相关的配准算法的配准结果。图5B中的丝线状物体是胸主动脉腔内修复手术所用的定位导丝，其位置处于主动脉中的中间位置。由图6B可见，使用Inception+branch网络结构的配准结果的导丝处于主动脉的中央位置，且黑色小箭头所示的真实血管结构阴影部分，与伪彩色血管叠加部分相差不多，说明配准效果较好。使用2种传统配准算法得到的结果，导丝的位置处于主动脉边缘；且黑色箭头所指的阴影部分要多于图6B，因此从直观上来讲，Inception+branch的配准效果更好，精度更高。

利用均方根误差和结构相似性，定量评价了4种方法的配准结果。分别对CT血管造影数字重建影像与44张X射线图像的配准结果分别计算均方根误差和结构相似性，得到均方根误差和结构相似性的平均值，结果见表4。

均方根误差表示配准图像与参考图像的差异程度，因此数值越低表示配准结果越精确；结构相似性是一种衡量2幅图像相似度的指标，综合考量图像亮度、对比度和结构信息的差异，其值越大表示2幅图像越相似，结果越优，最大值为1。由表4可知，此文算法相比传统的以梯度相关和模式强度为相似性测度的传统配准算法及GoogleNet网络，获得的均方根误差值更低且结构相似性值更高，因此说明此文算法配准精度更高。

同时，对5种方法的平均计算时长进行对比，对比结果见表5。

表5中Res+b表示ResNet加分支结构的方法，Ince+b表示Inception加分支结构的方法。由表5可以看到，此文算法在计算时长上相比传统配准算法有较大优势，大幅缩短了配准时间。

综上所述，无论直观比较还是定量比较，此文算法都能得到相对精确的配准结果；同时在配准耗时方面，此文算法明显优于传统算法。与传统算法相比较，此文算法在经过深度神经网络训练，多次迭代后得到的配准参数预测值，不会出现传统配准算法在比较相似性测度时，优化出的局部极大或极小值，因而可以得到更优的结果。此文算法利用预先训练好的配准参数模型，省去了相似性测度和优化的时间，明显降低了配准时间。

参考文献

[1]陈忠.主动脉血管疾病腔内治疗现状与展望[J].中华普通外科杂志,2015, 30(8):585-587.

[2]陈忠,杨耀国. 胸主动脉夹层腔内修复术中封堵左锁骨下动脉的考量[J]. 中国血管外科杂志(电子版), 2016, 8(1):6-9.

[3]陈纪言,罗淞元,刘媛. 急性主动脉夹层的腔内修复术治疗现状与展望[J]. 中国循环杂志, 2014, 29(1):1-3.

[4]景在平,张荣杰,周建. 主动脉疾病腔内治疗的现状与展望[J]. 中华普通外科杂志, 2016, 31(8):617-619.

[5]张龙江,祁吉. 对比剂肾病:一个值得关注的问题[J].中华放射学杂志, 2007,41(8):882-884.

[6]El-Gamal EZA, Elmogy M, Atwan A. Current trends in medical image registration and fusion. Egypt Inform J. 2016;17(1):99-124.

[7]Matl S,Brosig R,Baust M,et al. Vascular image registration techniques: a living review. Med Image Anal. 2017;35:1-17.

[8]Vernikouskaya I, Rottbauer W, Seeger J, et al. Patient-specific registration of 3D CT angiography (CTA) with X-ray fluoroscopy for image fusion during transcatheter aortic valve implantation (TAVI) increases performance of the procedure. Clin Res Cardiol.2018:1-10.

[9]Schulz CJ, Schmitt M, Böckler D, et al. Fusion imaging to support endovascular aneurysm repair using 3d-3d registration. J Endovasc Ther. 2016; 23(5):791-799.

[10]Khalil A, Faisal A, Lai KW, et al. 2D to 3D fusion of echocardiography and cardiac CT for TAVR and TAVI image guidance. Med Biol Eng Comput. 2016; 55(8):1-10.

[11]Ahmad W, Obeidi Y, Majd P, et al. The 2D-3D registration method in Image Fusion is accurate and helps to reduce the used contrast medium, radiation and procedural time in standard EVAR procedures. Ann Vasc Surg. 2018:177-186.

[12]Koutouzi G, Sandström C, Roos H, et al. Orthogonal rings, fiducial markers, and overlay accuracy when image fusion is used for evar guidance. J Vasc Surg. 2016;52(5):604-611.

[13]Izhar LI, Elamvazuthi I, Stathaki T, et al. Multimodal image registration for potential diagnosis and monitoring of morphoea using a hybrid NGC method// Int Conf Biomed Eng. 2017.

[14]Chelbi S, Mekhmoukh A. Features based image registration using cross correlation and Radon transform. Alexandria Engineering Journal, 2017:S1110016817302417.

[15]Gouveia AR, Metz C, Freire L, et al. Registration-by-regression of coronary CTA and X-ray angiography. Comp Methods Biomech Biomed Eng Imaging Vis. 2017; 5(3):208-220.

[16]Gouveia AR, Metz C, Freire L, et al. 3D-2D image registration by nonlinear regression. IEEE Int Sympos Biomed Imaging. 2012: 1343-1346.

[17]Miao S , Wang ZJ , Liao R . A CNN Regression Approach for Real-Time 2D/3D Registration. IEEE Trans Med Imaging. 2016; 35(5):1352-1363.

[18]Miao S, Wang ZJ, Zheng Y, et al. Real-time 2D/3D registration via CNN regression. IEEE, Int Sympos Biomed Imaging. 2016:636-648.

[19]Kendall A, Grimes M, Cipolla R. PoseNet: A Convolutional Network for Real-Time 6-DOF Camera Relocalization// IEEE Int Conf Comp Vis. 2015.

[20]Hwang J, Park S, Kwak N. Athlete Pose Estimation by a Global-Local Network//2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE, 2017.

[21]Anjam SM, Banaee N, Rahmani H, et al. Determination of geometric accuracy of radiotherapy fields by port film and DRR using Matlab graphical user interface. Med Biol Eng Comput. 2018;(4):1-11.

[22]Al-Qizwini M, Barjasteh I, Al-Qassab H, et al. Deep learning algorithm for autonomous driving using GoogLeNet// Intelligent Vehicles Symposium. 2017.

[23]Szegedy C, Liu W, Jia Y, et al. Going Deeper with Convolutions//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2015.

[24]雒培磊,李国庆,曾怡. 一种改进的基于深度学习的遥感影像拼接方法[J]. 计算机工程与应用, 2017, 53(20):180-186.

[25]Drusvyatskiy D, Lee HL, Ottaviani G, et al. The euclidean distance degree of orthogonally invariant matrix varieties. Israel J Math. 2017; 221(1):1-26.

[26]Tong J, Zhao W, Lv H, et al. Transcriptomic profiling in human decidua of severe preeclampsia detected by RNA sequencing. J Cell Biochem. 2017;119(1):607-615.

[27]Caiti G, Dobbe JGG, Strijkers GJ, et al. Positioning error of custom 3D-printed surgical guides for the radius: influence of fitting location and guide design. Int J Comp Assist Radiol Surg. 2018;13(4):507-518.

[28]Ketcha MD, De ST, Han R, et al. Effects of Image Quality on the Fundamental Limits of Image Registration Accuracy. IEEE Trans Med Imaging. 2017;(99):1-1.

[29]Ouadah S, Jacobson M, Stayman JW, et al. WE-AB-BRA-08: Correction of Patient Motion in C-Arm Cone-Beam CT Using 3D-2D Registration. Med Phys. 2016;43(6):3792-3793.

[30]Hajirassouliha A, Taberner AJ, Nash MP, et al. Subpixel phase-based image registration using savitzky-golay differentiators in gradient-correlation. Comp Vis Image Understand. 2017.

[31]Abolaban F, Zaman S, Cashmore J, et al. Changes in patterns of intensity-modulated radiotherapy verification and quality assurance in the UK. Clin Oncol. 2016;28(8):e28-e34.

引言

胸主动脉疾病主要包括主动脉夹层和胸主动脉瘤2种，以前通常采用开胸的方法进行治疗，但开胸手术对患者身体伤害大^[1]。随着血管腔内技术的发展，一种被称为胸主动脉腔内修复术的微创手术应运而生^[2]。

胸主动脉腔内修复术相比于开胸手术，不仅缩短了疾病的治疗周期，而且能显著降低手术风险^[3]。胸主动脉腔内修复术采用覆膜支架，利用覆膜支架的血液不透性可以将动脉夹层或主动脉瘤破口隔离，实现腔内修复^[3]。但支架植入过程中，医生仅靠X射线透视观察支架与骨骼的相对位置，看不到血管。如果植入的覆膜支架不能正确锚定目标位置，便不能有效隔离破口；或者覆盖住了相邻的重要动脉分支，会造成脑梗死、上肢缺血和脊髓缺血等一系列严重并发症^[4]。因此，正确锚定目标位置，从而准确地将覆膜支架放入最佳位置，是手术能否成功的关键。手术开始时，通常需要给患者注射对比剂，医生观察对比剂充盈下的血管显影，记忆锚定区的位置；然后置入支架，进行手术；手术结束时，再次注射对比剂，确认支架是否准确放置。可见手术十分依赖医生的经验和水平；同时对比剂对人体有害，可能造成急性肾功能衰竭等严重并发症^[5]。因此，无对比剂的情况下正确锚定覆膜支架位置，成为了当前研究的重点。

术中X射线图像不能显示主动脉，但可以显示骨骼和支架；而术前CT血管造影可以显示主动脉和骨骼。若能将术中X射线图像和术前CT血管造影配准在一起，结合使用^[6]，便可为胸主动脉腔内修复术实施导航帮助，提高手术成功率，减少对比剂依赖。

由于欧美人群发病率远低于中国人群，有关胸主动脉腔内修复术的术前CT血管造影和术中X射线图像的配准研究在世界范围内还很少^[7]，目前多为腹主动脉介入手术、冠状动脉介入手术以及主动脉瓣置换手术的图像配准研究^[7-9]。Khalil等^[10]和Ahmad等^[11]分别提出了针对主动脉瓣置换术和腹主动脉腔内修复术的术前3D血管模型和术中血管造影图像的配准，该方法不能用于无对比剂时的胸主动脉腔内修复术图像。Koutouzi等^[12]实现了针对腹主动脉腔内修复的术前CT血管造影和术中X射线图像的配准，并将准确率大幅提升，同时也声明针对胸主动脉腔内修复术的配准精度偏低。Izhar等^[13]和Chelbi等^[14]利用归一化互相关和互相关作为相似性度量的配准方法，该方法用于胸主动脉腔内修复术中效果不好。Gouveia等^[15-16]提出了针对冠状动脉的基于卷积神经网络的术前CT血管造影和术中血管造影图像的配准方法，但配准精度不高，而且同样不能在无对比剂情况下使用。总体而言，上述传统配准算法均存在配准精度不足和耗时的问题。为此，Miao等^[17-18]提出利用深度神经网络方法实现膝关节手术的术前CT血管造影和术中X射线图像配准，将配准时间大幅缩短，此方法配准形状固定、轮廓清晰的金属装置精度高，然而配准形态变化、轮廓模糊的解剖结构效果不佳，因而亦不适用于胸主动脉腔内修复术手术。2015年Kendall等^[19]提出一种利用深度神经网络回归图像位置和姿态的方法，其输出6个自由的参数的思想与此文研究目的类似，但其没能将位置和姿态分离，导致精确度不佳。在此基础上，2017年Hwang等^[20]将ResNet网络用于姿态估计，也为此文提供了研究思路。

综上所述，文章提出一种基于深度神经网络和叠加数字重建影像的胸主动脉腔内修复术前CT血管造影与术中X射线图像的配准算法，一定程度克服了针对胸主动脉腔内修复术图像配准精度不足以及耗时过长的问题。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

材料方法

1 算法 Algorithm

1.1 叠加数字重建影像技术胸主动脉腔内修复术前CT血管造影为3D图像，术中X射线图像为2D图像，采用点光源的射线追踪数字重建影像技术^[21]，将3D CT血管造影投影到2D，然后在2D空间上配准X射线图像和CT血管造影数字重建影像。

由于术中X射线图像中分辨率低，噪声丰富，图像质量比较差，配准CT血管造影与X射线透视图像难度高。术中X射线图像中骨骼结构相对比较清晰。因此，通过选择阈值，重建出仅包含骨骼结构的CT血管造影；分别对骨骼CT血管造影和全图CT血管造影投影重建，获得骨骼CT血管造影数字重建影像图像和全图CT血管造影数字重建影像图像；将两者叠加起来所获得的CT血管造影数字重建影像与X射线图像相配准，以强化CT血管造影与X射线图像之间对应关系，从而达到降低配准难度的目的。叠加所获得的数字重建影像，称之为叠加数字重建影像，见图1。其中图1A为全图CT血管造影数字重建影像图像；图1B为骨骼CT血管造影数字重建影像图像；图1C为叠加数字重建影像图像，为了使其与X射线图像更接近，经过反色和直方图处理，形成图1C的形式。

1.2 深度神经网络采用基于GoogleNet分支解码的深度神经网络回归配准形变参数^[22-23]。如前所述，Miao等^[17]利用传统卷积神经网络配准形状固定、轮廓清晰的金属装置精度高，而配准形态变化、轮廓模糊的解剖结构效果不佳。究其原因，在于传统卷积神经网络网络深度不足，限制了其学习能力，需要一个能力更为强大的深度神经网络。GoogleNet网络具有足够的深度和宽度，一定程度上解决了过深层网络

可能导致的过拟合及计算复杂度增加的问题^[24-25]。

1.2.1 网络结构优化由于位移和角度的计算原理有区别，且经过编码器运算之后图像的分辨率尺寸变小，不利于参数的回归。此次研究对GoogleNet的网络结构做出如下改进：首先对卷积层后加入对应的反卷积层作为解码器；同时将位移和角度的参数分开进行解码运算；最后去掉网络原有的全连接层和softmax层，换成全局平均池化层，以减小参数量。网络结构图见图2。图中deconv层表示反卷积层；GAP层表示全局平均池化层。

1.2.2 网络输入与输出

(1)由于动脉分支以及韧带的固定，胸主动脉形变量很小，将其形变视为刚体形变T=[x，y，z，α，β，γ]。这6个参数分别代表水平方向位移、竖直方向的位移、尺度缩放、方位角、俯仰角和翻滚角，也即沿X，Y，Z坐标轴的位移和分别绕这3个坐标轴的旋转角度。

(2)由于刚体在三维空间旋转中可能会出现万向锁，因此将上述3个角度参数由欧拉角转换为四元数表述。四元数表述公式如下：

q=q₀+q₁i+q₂j+q₃k (1)

配准网络模型最后输出配准形变T的3个位移参数和4个四元数参数。

(3)分别对4个四元数参数和3个位移参数定义损失函数。由于四元数参数和位移参数的计算原理不同，在角度参数上，采用代表22点间绝对值差的L1范数定义损失函数；在位移计算时，采用代表空间中两点真实距离的欧氏距离定义损失函数。网络的输入为胸主动脉CT血管造影和CT血管造影的数字重建影像图像，网络输出为配准形变T的7个参数。

1.3 配准流程配准步骤如下：①通过点光源射线追踪的数字重建影像技术，对术前全图CT血管造影体数据和骨骼CT血管造影体数据做T=[x，y，z，α，β，γ] 6个自由度的3D到2D投影，并进行四元数转换，生成叠加数字重建影像图像的大数据集；②将原始CT血管造影体数据与生成的叠加数字重建影像数据集作为训练集输入到基于GoogleNet的图像配准网络中，每张叠加数字重建影像与原始CT血管造影相配准，训练出配准参数模型；③将术中采集的X射线图像视频转换成一组连续的单帧X射线图像Xi，作为测试集，输入到经深度神经网络训练得到的配准参数模型中，分别得到配准X射线图像Xi与原始CT血管造影所对应的刚体变换Ti。利用获得的这组刚体变换Ti对原始CT血管造影体数据做3D到2D的投影，将生成的数字重建影像与对应X射线图像Xi叠加融合，即可得到配准后的CT血管造影与X射线图像。

2 实验 Experiment

2.1 实验环境及数据获取在配置为Intel Core i5 7500 CPU，32G RAM，NVIDIA GTX1080Ti GPU，操作系统为Windows 10专业版的工作站上进行实验，实验环境为Matlab 2014b和Python 3.5。

实验采用1例实施了胸主动脉腔内修复患者的术前CT血管造影和术中X射线图像视频，2组数据分别采集自SIEMENS SOMATOM Definition Flash scanner和SIEMENS AXIOM-Artis系统。患者对治疗方案知情同意，且得到医院伦理委员会批准。术前CT血管造影包括606张胸主动脉CT切片，分辨率为512×512，且像素分辨率为0.32 mm/像素；术中X射线图像视频包含44帧连续X射线图像，分辨率为280×378。

主动脉主要包括胸主动脉和腹主动脉两部分，它们被膈膜分开^[26]，以上为胸主动脉部分，以下为腹主动脉部分。胸主动脉比较稳定，可视为刚体；腹主动脉由于受到呼吸和疼痛的影响，有很剧烈的运动，影响配准效果。考虑到研究对象为胸主动脉腔内修复手术，以膈膜为分界线，只截取CT血管造影和X射线图像中膈膜之上的部分共200张CT切片参与实验。而术中X射线图像视频，则将其转换成一组连续的单帧X射线图像，共44张。

2.2 实验数据选择利用在参数空间内均匀抽样生成的系列刚体变换对CT血管造影投影，生成系列数字重建影像图像，具体如下：6个刚体变换参数中绕X轴旋转的方位角(γ)的范围为-15°至15°，其中5°为一间隔；绕Y轴旋转的俯仰角(β)的范围为-15°至15°，其中5°为一间隔；绕Z轴旋转的翻滚角(α)的范围为-5°至60°，其中5°为一间隔；沿Y轴平移参数(y)范围为-15至15像素，其中5像素为一间隔；由于实际场景条件下沿Z轴平移程度较小，因此沿Z轴平移参数(z)参数范围仅选择-10至10像素，其中10像素为一间隔；沿X轴平移在投影计算中意义与缩放等同，因此X轴平移参数(x)选择范围较大，为0-300像素，其中每隔100像素间隔一次，上述几何变换坐标系见图3。

经上述参数选择，生成胸主动脉数字重建影像图像数据集，共计57 624张图像。术中X射线图像为280×378像素，因此也将本实验数字重建影像图像处理为280×378像素。

2.3 实验评价标准当前3D/2D医学图像配准的评价标准通常采用mTRE^[27](mean Target Registration Error)，此评价方法需要得到金标准数据集，需要有经验的医生进行准确的标定工作，因为暂时没有标定的金标准数据，所以不能使用mTRE法进行评价。因此此次实验采取对配准结果进行直观对比，同时计算配准后图像和术中X射线图的2种常用的配准评价指标：均方根误差(Root-Mean-Square Error，RMSE)和结构相似性(structural similarity，SSIM)的方法评价配准精度^[28-29]。均方根误差及结构相似性的计算公式如下：

上式中，I(i，j)表示配准后的数字重建影像图像，K(i，j)表示X射线图像，i，j分别表示图像像素的行和列。μ_x和μ_y代表配准后的数字重建影像图像和X射线图像的均值；σ_x和σ_y表示配准后的数字重建影像图像和X射线图像的标准差；σ_xy表示配准后的数字重建影像图像和X射线图像的标准差；c₁和c₂是常数。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程