随着医疗技术的发展,图像引导放疗已经逐渐成为癌症治疗的重要方法之一。在治疗过程中,为了保证放疗精度,需要利用术前3D CT影像与术中2D X射线影像进行2D-3D配准,以估计患者当前姿态。然而,由于单幅X射线影像难以全面反映患者的空间运动,在优化中需要多次迭代。并且每次迭代中,数字重建放射影像(Digitally Reconstructed Radiograph,DRR)生成的计算量较大。因此,在临床中,2D-3D配准算法的速度较慢。针对以上的问题,本文开展了以下两个方面的工作。(1)提出了一种基于2D预配准的双X射线影像2D-3D配准方法。首先,在2D-3D配准中更新DRR时,采用DRR像素和射线源的逆变换代替了CT体素的空间变换,并且利用图形处理器(Graphics Processing Unit,GPU)的每个核心负责一个DRR像素值的计算,有效降低了整个DRR生成过程的计算复杂度,同时光线追踪的计算也得到充分并行化。进一步地,根据一对X射线影像所在平面坐标系与CT所在空间坐标系之间的几何关系,将CT的刚体运动分解到正交平面上,并且在平面上进行2D-2D近似刚体配准。最后,利用2D-2D的配准结果,引导2D-3D配准中的参数优化。在头颅模体CT和截断的胸部CT上进行了实验,结果表明所提出的方法显著地降低了配准时长,同时使得配准精度也有一定提升。(2)提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)的双X射线影像2D-3D配准方法。首先,将2D-3D配准问题看作从术中X射线影像和DRR之间的残差图像到患者摆位误差之间的映射。同时,通过将CT的刚体运动解为平面内参数估计与平面外参数估计,降低了整个配准问题的复杂程度。其次,设计了新的卷积网络,并通过三个独立神经网络模型之间的并联、串联逐步回归出摆位误差。将该模型在数十万幅的DRR和仿真X射线影像上进行了训练和测试,由于训练后的网络模型计算摆位误差的过程中无需迭代优化,该方法在实验中接近实时配准的速度。