导线和支架的实时3D重建使用两个更新X射线投影在旋转成像设置中的X射线投影

科学领域:

• 医疗成像医学成像
• 干预性放射学 干预性放射学
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 最少侵入性血管治疗依赖于图像指导,通常是2DX射线光镜.
• 三维X射线光学有望加强干预措施,但受到高辐射剂量或无法重建复杂结构的限制.

研究的目的:

• 为了重建干预材料的复杂安排,每次3D重建只使用两个X射线投影.
• 改进现有的基于深度学习的3D重建算法.

主要方法:

• 使用连续旋转的双平面系统增强了深度学习管道.
• 实现了对不同对象类型的重建的分离.
• 通过空间变压器网络内置的运动补偿.

主要成果:

• 在重建一个支架和两个导线在动作的人形幻影内,实现了亚毫米准确度.
• 在关键指标中显示了75%和59%的显著算法改进.
• 观察到的辐射剂量与二维光镜相比较.

结论:

• 开发的算法以高精度和剂量效率重建复杂的干预材料.
• 这一进步将算法定位为在临床实践中实现3D光学的一个有希望的工具.