51黑料吃瓜在线观看,51黑料官网|51黑料捷克街头搭讪_51黑料入口最新视频

目的 本研究旨在配準胸主動脈血管內修復術(thoracic endovascular aortic repair，TEVAR)術中X線與術前CT圖像，為TEVAR支架植入提供精確安全的導航。然而，現(xiàn)有配準算法存在無法有效彌合投影CT圖像生成的數(shù)字重建影像(digitally reconstructed radiography，DRR)與X線圖像之間的域間差異和難以獲得圖像分割標簽的問題。因此，需要提出新的方法來改善這一問題。方法 本文提出了一種新的配準框架，該框架結合了基于生成對抗網絡(generative adversarial network，GAN)的域自適應網絡和基于Transformer的配準網絡。基于GAN的域自適應網絡將X線圖像的風格遷移到DRR圖像上，使兩者在圖像風格上更接近。基于Transformer的配準網絡采用CNN與跨模態(tài)變換器(crossmodality transformer，CMT)相結合的模式，直接配準X線與CT圖像，無需進行圖像分割。結果 本文在208對標定的TEVAR術中X線與CT圖像對上對新的配準方法進行了驗證。與其他域適應方法相比，本文所采用的CycleGAN網絡作為風格轉換模塊，有效減小了DRR圖像與X線圖像之間的域間差異。消融實驗結果進一步證實，配準網絡中的全局局部感知模塊(globallocal perception module，GLPM)對提高配準精度具有明顯作用，而空間縮減(spatial reduction，SR)則有效縮短了配準時間。通過對比現(xiàn)有方法和本文方法在真實患者X線與CT圖像對上的配準效果，本文的方法在配準精度和成功率方面均表現(xiàn)出最佳性能。結論 本文提出的新的X線與CT圖像配準方法有效克服了現(xiàn)有方法存在的域間差異以及難以獲得分割標簽的問題。