护理研究

形变类型	方法	MAE	NCC	NMI
单一参数形变6组平均值	GANIR	0.057 1	0.827 5	0.615 0
ElastixIR	0.120 8	0.781 7	0.221 6
双参数形变4组平均值	GANIR	0.066 7	0.762 4	0.608 1
ElastixIR	0.140 9	0.683 5	0.169 2
三参数形变4组平均值	GANIR	0.085 6	0.635 4	0.609 4
ElastixIR	0.144 1	0.596 4	0.159 7
全参数形变1组值	GANIR	0.107 8	0.490 2	0.620 9
ElastixIR	0.155 3	0.217 6	0.109 5
样本平均值	GANIR	0.070 6	0.736 4	0.612 1
ElastixIR	0.134 7	0.668 5	0.428 5

形变类型	方法	MAE	NCC	NMI
单一参数形变6组平均值	GANIR	0.057 1	0.827 5	0.615 0
ElastixIR	0.120 8	0.781 7	0.221 6
双参数形变4组平均值	GANIR	0.066 7	0.762 4	0.608 1
ElastixIR	0.140 9	0.683 5	0.169 2
三参数形变4组平均值	GANIR	0.085 6	0.635 4	0.609 4
ElastixIR	0.144 1	0.596 4	0.159 7
全参数形变1组值	GANIR	0.107 8	0.490 2	0.620 9
ElastixIR	0.155 3	0.217 6	0.109 5
样本平均值	GANIR	0.070 6	0.736 4	0.612 1
ElastixIR	0.134 7	0.668 5	0.428 5

基于生成对抗网络的椎骨关节约束配准方法研究

邢珍珍 ¹ , 颜立祥 ²

护理研究 | 交叉护理学研究 2026,40(10): 1693-1698

收起

护理研究 |交叉护理学研究 2026 , 40 (10) : 1693 -1698

基于生成对抗网络的椎骨关节约束配准方法研究

全屏

[Author(id=1322937091683918109, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, orderNo=0, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=xzz0851@163.com, emailSecond=null, emailThird=null, correspondingAuthor=1, authorType=1, ext={EN=AuthorExt(id=1322937091763609887, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, authorId=1322937091683918109, language=EN, stringName=Zhenzhen XING, firstName=Zhenzhen, middleName=null, lastName=XING, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=¹Taiyuan Institute of Technology, Shanxi 030008 China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322937091830718752, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, authorId=1322937091683918109, language=CN, stringName=邢珍珍, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=¹太原工业学院，山西 030008, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322937089771315477, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, xref=1, ext=[AuthorCompanyExt(id=1322937089779704086, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, companyId=1322937089771315477, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=¹Taiyuan Institute of Technology, Shanxi 030008 China), AuthorCompanyExt(id=1322937089901338903, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, companyId=1322937089771315477, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=¹太原工业学院，山西 030008)])]), Author(id=1322937091902021922, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, orderNo=1, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1322937091969130788, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, authorId=1322937091902021922, language=EN, stringName=Lixiang YAN, firstName=Lixiang, middleName=null, lastName=YAN, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=², address=²The School of Automation Engineering of the University of Electronic Science and Technology of China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322937092048822565, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, authorId=1322937091902021922, language=CN, stringName=颜立祥, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=², address=²电子科技大学自动化工程学院, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322937091570671896, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, xref=2, ext=[AuthorCompanyExt(id=1322937091579060505, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, companyId=1322937091570671896, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=²The School of Automation Engineering of the University of Electronic Science and Technology of China), AuthorCompanyExt(id=1322937091591643419, tenantId=1146029695717560320, journalId=1220038315760373764, articleId=1322937087523168518, companyId=1322937091570671896, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=²电子科技大学自动化工程学院)])])]

邢珍珍¹, 颜立祥²

作者信息

¹太原工业学院，山西 030008

²电子科技大学自动化工程学院

通讯作者:

XING Zhenzhen, E-mail: xzz0851@163.com

邢珍珍，副教授，博士研究生，E-mail: xzz0851@163.com

Research on the registration method with vertebral joint constraints based on generative adversarial networks

Zhenzhen XING¹, Lixiang YAN²

Affiliations

¹Taiyuan Institute of Technology, Shanxi 030008 China

²The School of Automation Engineering of the University of Electronic Science and Technology of China

出版时间: 2026-05-25 doi: 10.12102/j.issn.1009-6493.2026.10.011

文章导航

摘要

收起

目的

提出一种基于生成对抗网络（GAN）的2D/3D医学影像配准方法，以提升椎骨微创手术导航中影像的空间对齐精度。

方法

基于肺图像联合数据库（LIDC-IDRI）数据构建脊柱术前3D CT与术中2D X线影像的配准框架。通过GAN生成符合椎骨关节约束的形变参数，通过数字重建放射影像（DRR）技术将术前3D CT投影至2D平面生成虚拟X光图像，通过分阶段参数解耦方法进行参数迭代优化，实现2D/3D医学影像配准。以Elastix作为基准方法验证算法性能。

结果

GAN配准算法的平均绝对误差（MAE）、归一化互相关（NCC）及归一化互信息（NMI）均优于开源医学影像配准框架Elastix，GAN配准算法的MAE仅为开源医学影像配准框架Elastix的52.4%，NCC和NMI分别高于开源医学影像配准框架Elastix的10.2%和42.8%。

结论

GAN配准算法通过对抗学习与梯度优化的协同机制，实现了术中影像的高精度、强鲁棒配准。

关键词

手术导航 / 2D/3D影像配准 / 生成式对抗网络 / 深度学习 / 参数优化

Abstract

收起

Objective

To propose a 2D/3D medical image registration method based on generative adversarial network(GAN) for improving spatial alignment accuracy of images in minimally invasive spinal surgery navigation.

Methods

A registration framework for spinal preoperative 3D CT and intraoperative 2D X-ray images was constructed based on the LIDC-IDRI dataset.Deformation parameters conforming to vertebral joint constraints were generated using a generative adversarial network.Digitally reconstructed radiographs technology was employed to project preoperative 3D CT data onto a 2D plane to generate synthetic X-ray images.A stage-wise parameter decoupling method was adopted for iterative parameter optimization.2D/3D medical image registration was achieved. The performance of the proposed algorithm was validated using Elastix as the benchmark method.

Results

The GAN-based registration method outperformed the open-source medical image registration framework Elastix in terms of mean absolute error(MAE),normalized cross-correlation(NCC),and normalized mutual information(NMI).The GAN-based registration achieved an MAE that was only 52.4% of that of the open-source medical image registration framework Elastix,while its NCC and NMI were 10.2% and 42.8% higher than Elastix,respectively.

Conclusions

By synergizing adversarial learning with gradient optimization,the GAN-based registration method achieves high-precision and robust intraoperative image registration.

Key words

surgical navigation / 2D/3D image registration / generative adversarial networks / deep learning / parameter optimization

引用本文

邢珍珍, 颜立祥. 基于生成对抗网络的椎骨关节约束配准方法研究. 护理研究, 2026 , 40 (10) : 1693 -1698 . DOI: 10.12102/j.issn.1009-6493.2026.10.011

Zhenzhen XING, Lixiang YAN. Research on the registration method with vertebral joint constraints based on generative adversarial networks[J]. Chinese Nursing Research, 2026 , 40 (10) : 1693 -1698 . DOI: 10.12102/j.issn.1009-6493.2026.10.011

正文

收起

脊柱疾病在临床中较为常见，脊柱微创手术因其创伤较小、恢复较快等优点逐渐成为脊柱疾病治疗的重要手段^[1]。随着影像导航技术的进步，实时、精准的术中解剖定位成为提升手术安全性的核心需求^[2]。在脊柱微创手术中，精准的手术导航对于确保手术成功至关重要，术前3D脊柱CT影像与术中2D X光影像的准确配准是实现精准导航的关键环节^[3-4]。传统的图像配准（如基于特征点、基于灰度信息等）方法在面对脊柱复杂的解剖结构和多变的成像条件时，往往存在配准精度有限、鲁棒性不足等问题^[5-6]。近年来，深度学习技术的飞速发展为图像配准带来了新机遇^[7]，其中，生成对抗网络（generative adversarial network，GAN）通过对抗训练机制，能够隐式建模解剖约束与影像特征，常用于解决多模态配准问题^[8-9]。基于GAN的图像配准方法逐渐受到关注并展现出潜在优势^[10]。本研究深入研究了基于GAN的椎骨关节约束配准方法，并评估了其在脊柱微创手术导航中的应用效果。

1　资料与方法

收起

1.1　数据来源

本研究数据源于肺图像联合数据库（LIDC-IDRI），该数据集为开源医学影像数据集，其虽以肺癌筛查为核心目标，但涵盖的千余例高分辨率胸部CT影像及多维度标注信息也被应用于其他领域^[11]。本研究筛选200例包含完整胸腰椎节段的CT影像数据，每个影像包含不同数量的DCM格式序列，经严格空间配准与灰度归一化，消除个体间解剖差异。通过数字重建放射影像（digitally reconstructed radiograph，DRR）技术将3D的CT数据投影至2D平面生成浮动图像^[12]，并对DRR图像进行参数化刚体形变，模拟术中2D X光影像作为参考图像。研究通过构建3D CT与2D X线影像对^[13]，评估2D/3D配准算法在多自由度形变场景下的配准精度。

1.2　研究方法

1.2.1　GAN描述

GAN是一种基于对抗性训练的深度生成模型框架，由生成器（generator）和判别器（discriminator）两个神经网络组成^[14]，其训练过程通过极小极大博弈实现协同优化^[15]，目标函数为

m i n G m a x D V D, G = E x ~ p d a t a (x) l o g D x + E z ~ p z (z) [l o g (1 - D (G (z)))]

，其中，

p d a t a (x)

表示真实数据分布，

p z (z)

为潜在噪声空间分布。生成器通过深度神经网络实现非线性映射，将噪声向量

Z

转换为合成样本

G (z)

，以逼近真实分布

p d a t a (x)

；判别器则通过概率估计

D x

判断输入样本

x

的归属类别（真实或生成）。在纳什均衡状态下，生成器合成的样本分布与真实分布不可区分，此时判别器对所有样本的输出概率趋近

D x

=0.5，从而达到动态平衡。在医学影像配准任务中，GAN的生成器被设计为形变参数生成器，其输出需满足解剖约束，而判别器通过隐式学习生物力学特征，满足影像相似性与生理合理性^[16]，该机制在医学影像配准任务中表现出卓越的鲁棒性。

1.2.2　算法框架

本研究的2D/3D医学影像配准框架通过两个阶段实现。

1.2.2.1　第1阶段

该阶段为生成对抗训练。生成器以高斯噪声

Z

为输入，通过全连接网络输出6自由度刚性形变参数

T = t x, t y, t z, r x, r y, r z

，其中，

t x, t y, t z

表示平移参数，

r x, r y, r z

表示旋转参数。参数范围通过Tanh激活函数约束。基于

T

对原始3D CT图像施加空间变换生成负例样本，与未变形的正样本CT图像共同输入判别器^[17]。判别器采用三维卷积神经网络架构，通过端到端训练隐式建模椎间关节运动学约束（如关节突旋转限位

r z m a x = 8 °

、椎体平移容差

t y m a x = 5 m m

），输出二分类概率

D x

。对抗损失函数

L o s s

通过最小化生成参数误差与最大化判别精度，迫使生成器输出的形变参数

T

满足解剖合理性。流程见图1。

1.2.2.2　第2阶段

该阶段为迭代优化配准。将随机噪声

Z

输入至训练完成的GAN，通过生成器生成的相对形变参数

T 0 = p x, p y, p z, q x, q y, q z

，根据临床先验设定绝对刚体变换参数初始值

R 0 = t x, t y, t z, r x, r y, r z

，利用形变参数

T 0

和刚体变换参数

R 0

共同构成2D/3D配准的形变参数

T = T 0, R 0

。将训练后生成器输出的配准参数作用于术前CT图像，得到形变后的3D图像，经DRR技术生成2D投影图像，与术中2D X光图像计算相似性损失^[18]，并采用Adam优化器迭代调整参数，逐步最小化损失函数，最终实现3D CT与2D X光图像的配准。整体配准流程见图2。

1.2.3　配准实验

1.2.3.1　对抗训练策略

生成器采用全连接网络架构，输入为高斯噪声向量Z，通过3层全连接层实现参数化映射：第1层（FC1）包含12个节点，第2层（FC2）扩展至24个节点，均采用LeakyReLU激活函数；第3层（FC3）通过6个节点对应刚体变换的6自由度参数

t x, t y, t z, r x, r y, r z

。Tanh激活函数约束输出至[-1,1]，经线性变换后映射至临床形变范围。生成器损失函数定义为形变参数均方误差，公式为：

L o s s G = 1 d i m ∑ i = 1 d i m (T r e g i - T t r u t h i) 2

。采用Adam优化器更新生成器参数ω，其参数更新规则公式为：

ω t + 1 = ω t - α × m t v t + ε

，其中，

m t = β 1 m t - 1 + (1 - β 1) d x

，

v t = β 2 v t - 1 + (1 - β 2) (d x) 2

，

m t

与

v t

分别为一阶矩与二阶矩的偏置校正估计值。训练关键参数，初始学习率

α = 10 - 3

，动量衰减因子

β 1 = 0.9

，二阶矩衰减因子

β 2 = 0.999

，数值稳定性常数

ε = 10 - 8

。

判别器基于三维卷积神经网络构建。输入层为256×256×1的3D医学影像，依次通过4层卷积模块，每层采用3×3×3卷积核、步长2及Same填充，通道数逐级倍增（32→64→128→256），由LeakyReLU激活。最后通过Sigmoid激活的全连接层输出真伪概率。判别器损失函数为二分类交叉熵，公式为

L o s s D = 12 ∑ i - y i ⋅ l o g P i + 1 - y i ⋅ l o g 1 - P i

，其中，

y i ∈ 0,1

为样本标签（

y i = 1

代表示真实图像，

y i = 0

对应生成图像），

P i

为判别器对输入样本

i

归属真实分布的概率估计。对每例CT影像施加刚体变换生成合成负样本，与真实正样本以1∶1比例输入判别器，训练过程中每批次结束后计算验证集上的

L o s s D

，若其值低于预设阈值，则判定模型收敛并终止训练；否则继续输入下一批次正负样本，执行参数更新直至满足终止条件。判别器参数更新采用随机梯度下降（SGD）优化器，基于小批量样本的梯度估计，并引入动量因子以平滑参数更新方向，该策略通过局部梯度累积与全局动量校正的协同作用，实现计算效率与优化稳定性的平衡，有效避免训练过程中梯度振荡或陷入局部极值^[19]。

1.2.3.2　迭代优化配准

将随机噪声

Z 0

输入至训练完成的GAN，生成器输出形变参数

T 0 = p x, p y, p z, q x, q y, q z

。根据临床经验设置15组形变参数初始值

R 0 = t x, t y, t z, r x, r y, r z

。覆盖6组单一参数形变（如

t x = 20 m m

）或（

r x = 10 °

），4组双参数形变（如

t y = 20 m m, r x = 10 °

），4组三参数形变（如

t z = 20 m m, r x = 10 °

r y = 10 °

），及1组全参数形变。将形变参数

T 0

和刚体变换参数

R 0

共同构成2D/3D配准的形变参数

T = T 0, R 0

。将形变后3D CT影像经DRR技术投影至2D平面，生成浮动图像，以原始未形变DRR作为参考图像，计算累计均方误差（SSD）。采用Adam优化器分阶段优化形变参数：1）优化平面内平移参数

t x, t y

；2）优化平面内旋转参数

r z

；3）优化深度平移参数

t z

；4）优化平面外旋转参数

r x, r y

。通过顺序优化避免多参数耦合导致的梯度冲突。每轮迭代更新参数后重新生成DRR并计算损失值，当SSD收敛至阈值时终止优化，输出最优形变参数下的三维配准图像。总损失函数为加权生成器均方误差

L o s s G

与判别器二分类交叉熵

L o s s D

之和，公式为

L o s s t o t a l = λ L o s s G + μ L o s s D

，其中

λ, μ ∈ [0,1]

。本研究的对抗训练采用交替优化策略，通过动态平衡生成器与判别器的博弈实现解剖约束的隐式建模，具体流程为：先更新生成器，固定判别器参数，利用Adam优化器最小化参数误差

L o s s G

；随后更新判别器，固定生成器参数，利用SGD优化器最小化

L o s s D

。确保生成器输出既满足图像对齐精度，又符合生物力学约束的形变参数。训练关键参数为：批次大小batch_size=10，每批次仅包含真实形变样本或生成器合成样本，避免混合输入导致判别器混淆；训练代数epoch=20，完整遍历数据集20次以充分收敛；总迭代次数iteration=20，满足总样本数约束batch_size×iteration=200。学习率调度采用分阶段指数衰减策略，初始学习率为

1 × 10 - 4

（epoch 1-7），中期降至

7.5 × 10 - 5

（epoch 8-14），后期降至

2.5 × 10 - 5

（epoch 15-20），平衡训练初期快速收敛与后期精细调优。

1.3　评价标准

采用以下3个指标评估2D/3D医学图像配准的精度：平均绝对误差（mean absolute error,MAE）直接量化配准参数估计值与真实值的平均绝对偏差，避免误差方向性抵消，其值域为[0,+∞)，值越小表明配准参数精度越高；归一化互相关（normalized cross-correlation,NCC）衡量两幅图像灰度变化的线性相关性，值域为[-1,1]，1表示完全正相关，-1表示完全负相关；归一化互信息（normalized mutual information,NMI）基于信息论度量两幅图像的统计依赖性，值域为[0,1]，值越大表明信息重叠度越高。MAE侧重参数级误差分析，NCC与NMI分别从线性和非线性角度评估图像级对齐精度，三者共同提供配准性能评价。

2　结果

收起

为验证GAN配准算法（GANIR）的有效性，选取15组不同形变参数组合（单一参数、双参数、三参数及全参数形变），以开源医学影像配准框架Elastix（ElastixIR）为基准方法进行对比^[20]。从4类形变组合中各选取1组结果，数据组形变参数分别为（

t x = 20 m m

）、（

t y = 20 m m, r x = 10 °

）、（

t y = 20 m m, r x = 10 °

r z = 10 °

）、（

t x

=20 mm,t_y=20 mm,t

z

=20 mm,

r x

=10°,

r y

=10°,

r z

=10°）。单一参数形变组、双参数形变组、三参数形变组、全参数形变组的浮动图像、参考图像、基于GANIR和ElastixIR的配准结果依次见图3~图6。计算配准后的图像与参考图像间的MAE、NCC和NMI见表1。

3　讨论

收起

本研究提出了一种基于GAN的2D/3D配准方法，将椎骨关节疾病的CT图像模拟生成15种形变，将基于Elastix的配准方法作为基准实验组，15组数据中，GANIR在全部指标（MAE、NCC、NMI）上均优于ElastixIR，尤其在NMI指标上优势显著。随着形变参数从单参数到全参数复杂度逐步提高，GANIR的MAE逐步上升，NCC逐步下降，NMI保持稳定。ElastixIR所有指标均显著恶化。样本平均值结果显示，提出的方法MAE降低0.064 1（0.134 7-0.070 6），NCC提高0.067 9（0.736 4-0.668 5），NMI提高0.183 6（0.612 1-0.428 5），本研究提出的方法3项指标均优于ElastixIR方法，GANIR的MAE仅为ElastixIR的52.4%[（0.070 6/0.134 7）×100%]，NCC和NMI分别高于ElastixIR的10.2%[（0.736 4-0.668 5）/0.668 5×100%]和42.8%[（0.612 1-0.428 5）/0.428 5×100%]，说明该算法通过对抗学习机制有利于解决复杂形变场景中的特征失配问题，可见深度学习配准方法在术中导航等医学场景中具有潜在应用价值，可以为医学影像分析提供新的技术途径，基于GAN的椎骨关节约束配准方法在智能辅助诊疗系统开发中具备可扩展的实践意义。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

JOSHI

R S

,LAU

,AMES

C P

.Artificial intelligence for adult spinal deformity:current state and future directions[J].The Spine Journal,2021,21(10):1626-1634.

罗博博.骨科手术导航中2D-3D医学图像配准的应用研究[D].广州:南方医科大学,2014.

周勤,王远军.基于深度学习的医学图像配准研究进展[J].上海理工大学学报,2021,43(5):421-428.

LIU

X J

,ZHENG

W F

,MOU

Y Y

,et al.Microscopic 3D reconstruction based on point cloud data generated using defocused images[J].Measurement and Control,2021,54(9/10):1309-1318.

BOVEIRI

H R

,KHAYAMI

,JAVIDAN

,et al.Medical image registration using deep neural networks:a comprehensive review[J].Computers & Electrical Engineering,2020,87:106767.

姜百浩,刘静,仇大伟,等.深度学习在脊柱图像分割中的应用综述[J].计算机工程,2024,50(3):1-15.

邹茂扬,杨昊,潘光晖,等.深度学习在医学图像配准上的研究进展与挑战[J].生物医学工程学杂志,2019,36(4):677-683.

宋枭,朱家明,王莹.基于生成对抗网络的多模态可变形医学图像配准[J].无线电工程,2021,51(9):999-1006.

ALBEKAIRI

,MOHAMED

M V O

,KAANICHE

,et al.Multimodal medical image fusion combining saliency perception and generative adversarial network[J].Scientific Reports,2025,15(1):10609.

SISTANINEJHAD

,RASI

,NAYERI

.A review paper about deep learning for medical image analysis[J].Computational and Mathematical Methods in Medicine,2023,2023(1):7091301.

BHATTACHARJEE

,MURUGAN

,MAJUMDER

,et al.Neural network-based computer-aided lung cancer detection[J].Research on Biomedical Engineering,2021,37(4):657-671.

.A fast DRR generation scheme for 3D-2D image registration based on the block projection method[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops.Las Vega:IEEE.2016:169-177.

陈向前,郭小青,周钢,等.基于深度学习的2D/3D医学图像配准研究[J].中国生物医学工程学报,2020,39(4):394-403.

GOODFELLOW

J I

,POUGET-ABADIE

,MIRZA

,et al.Generative adversarial networks[J].CoRR,2014.

https://doi.org/abs/1406.2661

MAHAPATRA

,GE

,SEDAI

,et al.Joint registration and segmentation of X-ray images using generative adversarial networks[G]//International Workshop on Machine Learning in Medical Imaging.Cham:Springer,2018:73-80.

HASKINS

,KRUGER

,YAN

P K

.Deep learning in medical image registration:a survey[J].Machine Vision and Applications,2020,31(1):8.

陈智强,王作伟,方龙伟,等.基于机器学习和几何变换的实时2D/3D脊椎配准[J].自动化学报,2018,44(7):1183-1194.

伍世宾.影像引导中分割与配准关键技术研究[D].深圳:中国科学院大学(中国科学院深圳先进技术研究院),2018.

姚明青,胡靖.基于深度强化学习的多模态医学图像配准[J].计算机辅助设计与图形学学报,2020,32(8):1236-1247.

KLEIN

,STARING

,MURPHY

,et al.Elastix:a toolbox for intensity-based medical image registration[J].IEEE Trans Med Imaging,2010,29(1):196-205.

2026年第40卷第10期

引用本文

BibTeX

文章信息

doi: 10.12102/j.issn.1009-6493.2026.10.011

接收时间：2025-04-23
首发时间：2026-10-30
出版时间：2026-05-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-04-23
修回日期：2026-02-09

基金

作者信息

¹太原工业学院，山西 030008

²电子科技大学自动化工程学院

通讯作者:

XING Zhenzhen, E-mail: xzz0851@163.com

邢珍珍，副教授，博士研究生，E-mail: xzz0851@163.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hlyj/CN/10.12102/j.issn.1009-6493.2026.10.011

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT