In computer vision and image analysis, image registration between 2D projections and a 3D image that achieves high accuracy and near real-time computation is challenging. In this paper, we propose a novel method that can rapidly detect an object's 3D rigid motion or deformation from a 2D projection image or a small set thereof. The method is called CLARET (Correction via Limited-Angle Residues in External Beam Therapy) and consists of two stages: registration preceded by shape space and regression learning. In the registration stage, linear operators are used to iteratively estimate the motion/deformation parameters based on the current intensity residue between the target projec-tion(s) and the digitally reconstructed radiograph(s) (DRRs) of the estimated 3D image. The method determines the linear operators via a two-step learning process. First, it builds a low-order parametric model of the image region's motion/deformation shape space from its prior 3D images. Second, using learning-time samples produced from the 3D images, it formulates the relationships between the model parameters and the co-varying 2D projection intensity residues by multi-scale linear regressions. The calculated multi-scale regression matrices yield the coarse-to-fine linear operators used in estimating the model parameters from the 2D projection intensity residues in the registration. The method's application to Image-guided Radiation Therapy (IGRT) requires only a few seconds and yields good results in localizing a tumor under rigid motion in the head and neck and under respiratory deformation in the lung, using one treatment-time imaging 2D projection or a small set thereof.

中文翻译：

---

使用回归学习的 2D/3D 图像配准。

在计算机视觉和图像分析中，实现高精度和近实时计算的 2D 投影和 3D 图像之间的图像配准具有挑战性。在本文中，我们提出了一种新方法，可以从 2D 投影图像或其一小组中快速检测对象的 3D 刚性运动或变形。该方法称为 CLARET（通过外部光束治疗中的有限角度残差进行校正），包括两个阶段：先配准，然后是形状空间和回归学习。在配准阶段，线性算子用于基于目标投影和估计 3D 图像的数字重建射线照片 (DRR) 之间的当前强度残差来迭代估计运动/变形参数。该方法通过两步学习过程确定线性算子。首先，它从其先前的 3D 图像构建图像区域的运动/变形形状空间的低阶参数模型。其次，使用从 3D 图像生成的学习时间样本，它通过多尺度线性回归来制定模型参数与共同变化的 2D 投影强度残差之间的关系。计算出的多尺度回归矩阵产生从粗到细的线性算子，用于从配准中的 2D 投影强度残差估计模型参数。该方法应用于图像引导放射治疗 (IGRT) 仅需要几秒钟，并在头颈部刚性运动和肺部呼吸变形下定位肿瘤方面产生良好结果，使用一种治疗时间成像 2D 投影或其中的一小部分。它从其先前的 3D 图像构建图像区域的运动/变形形状空间的低阶参数模型。其次，使用从 3D 图像生成的学习时间样本，它通过多尺度线性回归来制定模型参数与共同变化的 2D 投影强度残差之间的关系。计算出的多尺度回归矩阵产生从粗到细的线性算子，用于从配准中的 2D 投影强度残差估计模型参数。该方法应用于图像引导放射治疗 (IGRT) 仅需要几秒钟，并在头颈部刚性运动和肺部呼吸变形下定位肿瘤方面产生良好结果，使用一种治疗时间成像 2D 投影或其中的一小部分。它从其先前的 3D 图像构建图像区域的运动/变形形状空间的低阶参数模型。其次，使用从 3D 图像生成的学习时间样本，它通过多尺度线性回归来制定模型参数与共同变化的 2D 投影强度残差之间的关系。计算出的多尺度回归矩阵产生从粗到细的线性算子，用于从配准中的 2D 投影强度残差估计模型参数。该方法应用于图像引导放射治疗 (IGRT) 仅需要几秒钟，并在头颈部刚性运动和肺部呼吸变形下定位肿瘤方面产生良好结果，使用一种治疗时间成像 2D 投影或其中的一小部分。