基于深度迭代优化的3D CTA与2D DSA跨模态配准技术DeepIterReg在脑卒中血管内治疗中的创新应用

针对脑卒中血管内治疗(EVT)中3D CTA与2D DSA影像空间配准难题，荷兰伊拉斯姆斯MC团队提出AI驱动的多阶段配准框架DeepIterReg。该方法通过静脉分割锚定、合成数据训练CNN初始化位姿，结合可微分渲染(DiffDRR)迭代优化，成功将测试集配准准确率提升至70%，显著扩展传统优化方法的捕获范围(20→40像素)，为临床提供更精准的血管空间导航支持。

　　

研究背景
缺血性脑卒中作为全球致残致死的主因之一，其治疗关键——血管内取栓术(EVT)长期受限于术中2D数字减影血管造影(DSA)缺乏三维空间信息的问题。尽管术前3D计算机断层扫描血管成像(CTA)能提供丰富血管细节，但传统3D-2D配准方法面临两大瓶颈：基于优化的方法捕获范围有限（仅39%病例成功），而基于学习的方法受真实数据稀缺制约。这种"信息断层"迫使医生依赖耗时的手动调整，可能延误黄金救治时间。

研究方法
荷兰伊拉斯姆斯大学医学中心联合多机构团队开发了DeepIterReg框架，采用三阶段策略：1)利用合成数据预训练ResNet18网络，通过静脉分割特征预测初始位姿T?；2)基于DiffDRR可微分渲染引擎，以归一化互相关(NCC)优化获得中间位姿T?₁；3)改用DSA最小密度投影(MinIP)和互信息(MI)进行精细优化。研究采用MR CLEAN注册中心94例患者数据（81训练/9验证/20测试），通过平均投影误差(MPE)和临床评估验证效果。

研究结果
优化方法捕获范围
基线测试显示传统优化方法对初始位姿偏差>25像素（22.7mm）的病例失效，成功率仅39%（37/94）。

全流程准确性
在20例测试集中：

• 单纯优化组成功11例（55%），MPE从21.1mm降至9.7mm
• 增加CNN初始化后成功率提升至14例（70%），MPE进一步降至7.62mm
• 模拟实验显示捕获范围扩展至40像素（提升100%）

MinIP优化验证
第三阶段强度优化使成功病例MPE降至2.08mm，临床盲测显示13/14例优选该方案（p=0.0146 vs 金标准）。

讨论与意义
该研究首次实现CTA-DSA全自动跨模态配准，其创新性体现在：1)静脉锚定策略克服血管结构差异，利用半环形静脉特征增强泛化性；2)合成数据训练使CNN在真实数据稀缺条件下保持70%成功率；3)可微分渲染实现端到端梯度传播，较传统方法提速显著。临床评估证实三阶段方案优于人工配准，但当前局限在于依赖高质量血管分割（校正后成功率可达77%）。未来可通过改进训练数据分布（如增加"头部前倾"位姿样本）进一步扩大捕获范围。这项发表于《International Journal of Computer Assisted Radiology and Surgery》的成果，为EVT手术导航系统提供了可靠的空间融合解决方案，有望将平均配准时间从分钟级缩短至秒级，具有重要临床转化价值。