UDCR: Unsupervised Aortic DSA/CTA Rigid Registration Using Deep Reinforcement Learning and Overlap Degree Calculation

本文提出了一种基于深度强化学习的无监督方法UDCR，用于主动脉DSA/CTA刚性配准。该方法利用DSA和CTA的成像原理和特点，构建了一个基于空间变换的跨维度配准环境。具体而言，作者提出了一种重叠度计算奖励函数，用于衡量前景和背景之间的强度差异，旨在评估分割图和DSA图像之间的配准精度。该方法非常灵活，允许加载预训练模型直接进行配准，或通过在线学习寻求最佳空间变换参数。作者手动注释了61对主动脉DSA/CTA进行算法评估。结果表明，提出的UDCR在平移和旋转方面的平均绝对误差（MAE）分别为2.85毫米和4.35度，显示出在临床应用方面具有重要的潜力。

本文旨在提出一种基于深度强化学习的无监督方法，用于进行主动脉DSA/CTA刚性配准。这个方法能够解决当前2D/3D图像配准方法依赖于人工注释或合成数据，以及提取标志点的问题。

本文提出了一种名为UDCR的无监督方法，基于深度强化学习，利用DSA和CTA的成像原理和特征构建了一个基于空间变换的跨维度配准环境。该方法高度灵活，可以直接加载预训练模型进行配准，也可以通过在线学习寻找最佳空间变换参数。

本文的亮点包括：提出了一种无监督的、基于深度强化学习的方法，用于进行主动脉DSA/CTA刚性配准；提出了一种重叠度计算奖励函数，用于评估分割图和DSA图像之间的配准精度；通过手动注释61对主动脉DSA/CTA进行了算法评估，结果表明该方法在平移和旋转方面的平均绝对误差分别为2.85毫米和4.35度。

在这个领域最近的相关研究包括：基于深度学习的图像配准方法、基于特征提取的图像配准方法、基于非刚性配准的图像配准方法等。