[发明专利]基于EPID的图像引导放疗中DR和DRR影像跨模态自动配准方法

权利要求书

1.基于EPID的图像引导放疗中DR和DRR影像跨模态自动配准方法，其特征在于，包括以下步骤：

S1采集图像：在放疗前中，首先采集患者的CT三维图像，通过数字重建出正交方向的两张二维DRR影像，分别为前后向视图0°和侧视图90°，放疗时，利用EPID采集正交的平面X光片DR影像，将DICOM格式的数据全部转化为JPG格式，预处理后存储为训练和测试数据集；

S2构建深度学习模型：建立自动分割配准网络模型，由DeepLabV3+、跨模态注意力模块和跨模态优化模块组成，输入为S1中采集的DR-DRR影像组，在GPU上进行深度学习训练，保存最佳网络模型权重；

S3骨性边界分割：将S2训练好的网络用于分割骨性边界，并输出边界轮廓，实现可视化；

S4 图像配准：利用经典的互信息方法计算S3中获得的DR和DRR中边界轮廓的相似度，并得出X，Y两个方向的位移值，根据结果计算配准率；

S5 EPID图像引导放疗临床应用：将模型应用于EPID图像引导放疗，在患者放疗时，实时分割DR-DRR图像组骨性边界并可视化，配准计算X，Y两个方向的位移值，根据位移和可视化结果调整摆位，进行治疗。

2.根据权利要求1所述的基于EPID的图像引导放疗中DR和DRR影像跨模态自动配准方法，其特征在于，所述的S2中，训练深度学习网络需要的DR-DRR图像组数据集，无需完美的逐像素对齐，通过高阶特征进行配准。

3.根据权利要求1所述的基于EPID的图像引导放疗中DR和DRR影像跨模态自动配准方法，其特征在于，所述的S2中，利用高质量的DRR影像来改善DR影像的质量，优化DR影像的骨性边界预测，最终提升DR和DRR图像之间的配准。

4.根据权利要求1所述的基于EPID的图像引导放疗中DR和DRR影像跨模态自动配准方法，其特征在于，所述的S2中，设计并实现了一个跨模态网络，以促进跨模态的互补性，该网络广泛适用于治疗前图像与治疗时图像之间表示学习的一般问题。

5.根据权利要求1所述的基于EPID的图像引导放疗中DR和DRR影像跨模态自动配准方法，其特征在于，所述的S4中，使用预测的未标注图像对的骨性边界，来实现更加鲁棒的配准。