从多个部分表面进行肝脏边界状况的内科估计
Andrea Mendizabal1, Eleonora Tagliabue1, Diego Dall'Alba2
1Department of Computer Science, University of Verona, Verona, Italy.
概括
这项研究引入了深度神经网络,用于预测手术期间的组织附着,改进了患者特定的生物机械模型. 该方法通过准确估计变形,提高了计算机辅助手术的手术内指导.
科学领域:
- 医疗成像医学成像
- 手术机器人手术机器人手术机器人手术机器人
- 计算解剖学的计算解剖学
背景情况:
- 准确的手术内解剖信息对于计算机辅助手术至关重要.
- 针对患者的生物机械模型 (PBM) 对于预测组织变形至关重要.
- 在手术前估计解剖附着物是具有挑战性的,并且会影响PBM的准确性.
研究的目的:
- 开发一种深度神经网络,用于预测组织附件的位置.
- 为了利用手术内变形器官表面数据来改善附着预测.
- 在计算机辅助手术中提高患者特定生物机械模型的准确性.
主要方法:
- 一个深度神经网络被训练使用多个部分视图的内科手术变形器官表面编码为点云.
- 该网络使用了一系列变形视图来捕捉组织变形的时间演变.
- 这种方法解决了从单视图数据中估计附件所固有的模糊性.
主要成果:
- 该方法应用于计算机辅助肝脏手术,在合成和体内人体数据上得到验证.
- 与现有方法相比,该网络在预测准确度方面实现了26%的改进.
- 对患者特定合成数据的培训在不到5小时内完成,证明了快速部署.
结论:
- 拟议的深度神经网络通过考虑变形动态,准确而快速地估计组织附着物.
- 特定于患者的模拟数据可以为实时手术指导提供有效的培训.
- 这一进步显著改善了计算机辅助手术系统的手术内解剖指导.
