Opt-GO-3D-2D-Registration

浙大机器人交叉创新实践课程参考代码：基于CMA-ES算法和梯度方向测度（GO）的3D/2D医学图像配准算法（Python实现）

一、安装依赖

• Python 3
• Numpy
• ITK 5.0
• pycma
• Matplotlib
• Cython
• CUDA >= 9.0
• PyTorch >= 1.1

推荐使用Anaconda创建Python虚拟环境运行代码 Anaconda下载地址：https://www.anaconda.com/products/individual

创建虚拟环境：conda create -n your_env_name python=3.7

激活虚拟环境：conda activate your_env_name

退出虚拟环境：conda deactivate

激活虚拟环境后，安装依赖：pip install -r requirements.txt

注意：CUDA和PyTorch根据内置NVIDIA显卡版本自行安装

二、3D/2D Registration

该模块实现Opt-GO配准算法，即本课程基础实践作业的参考结果

运行测试程序

在项目根目录下，运行：

cd 3D_2D_Registration/test
python 3D_2D_Registration_Multiview.py

注意：3D_2D_Registration_Multiview.py中测试用例的路径需自行修改

运行结果

左侧图片是术中采集的侧位（X光）胸片，右侧图片是配准后的术前胸腔CT产生的Digitally Reconstructed Radiography（DRR）

三、Digitally Reconstructed Radiography（DRR）

该模块包含：

• 数字重建透视图生成（GPU加速）
• 梯度方向测度计算（GPU加速）

编译方法

在项目根目录下，运行：

cd CUDA_DRR_Metric
./cuda_debugger.sh

注意：cuda_debugger.sh文件中的路径需要自行修改；编译出的动态链接库（.so文件）使用方法参考3D/2D Registration模块源码；Windows下编译需要安装可视化cmake工具和Visual Studio（推荐使用VS2017），编译完成后得到的动态链接库为.pyd文件

四、参考文献

3D–2D image registration for target localization in spine surgery: investigation of similarity metrics providing robustness to content mismatch（T De Silva. 2016）

Fast calculation of the exact radiological path for a three-dimensional CT array（Siddon. 1985）

Accelerated ray tracing for radiotherapy dose calculations on a GPU（Greef. 2009）