论文解读——《A CNN Regression Approach for Real-Time 2D/3D Registration》

论文《实时2D/D配准的一种CNN回归方法》分析：

（该文章的写作思路：在摘要中大致谈一下自己所提出的方法的可以解决什么样的问题，所涉及哪些方法，然后引言中提出好几种方法，介绍它们，提出缺点，然后引出本文的方法，接下来一点介绍该文所研究的事务的背景，下一节细节化介绍新方法，再下一节来证明自己所提出的方法是有效的，以及实验过程，最后一节总结结果）

摘要：

• 提出一种卷积神经网络回归的方法（也称之为PEHL），该方法用于解决现有的基于强度的2D/3D配准技术所存在的两个主要的限制：1.计算慢。2.捕捉范围小（利用在配准之前进行初始化的方法来解决——利用目标物体的主要特征来进行姿态恢复）
• 该方法的关键在于训练一个CNN回归器用于恢复 从DRR和X光图像到它们潜在变换参数之间差异的映射

本篇论文提出的方法：

• 利用嵌入在数字化重建的放射图像和X光图像表面的信息并利用回归器来预估出变换参数
• 所涉及的具体方法：自动化特征提取步骤（An antomatic feature extraction step）——用于计算3D姿态索引特征，这个特征对要回归的变量很敏感，对于其余变量很健壮（robust）
  基于优化方法的原理(optization-basesd methods)：通过迭代的优化变换参数（代表配准质量的标量值度量函数——scalar-valued metric function）
• 权重共享是为了减少内存占用
• 优化器（Optimizer）的作用在于是在DRR和X光图像之间最大化相似性度量

---

Ⅰ引言：

• 术前三维数据包括：CT,CBCT,MRI(磁共振成像),CAD（计算机辅助设计）

• 术中二维数据：X光成像

• 此篇论文的着重点：将CT或CBCT提供的三维X光衰减图和2维的X光图像配准

• 在现有的方法中，较为精确的二维/三维配准通常都是基于强度（intensity-based method）的2D/3D配准方法获得的，但是此方法有两个缺点：计算时间长（涉及到大量的相似性度量的评估），捕捉范围小（优化相似性度量的方法通常是非凸的，优化器很有可能陷入局部最大值（local maxima），因此捕捉范围小） 该方法若想解决捕捉范围小这个问题：在配准之前使用初始化的方法；加快配准速度的方法：1.稀疏采样&#