相关实验视频
Updated: Jul 19, 2025
05:05
Four-Dimensional CT Analysis Using Sequential 3D-3D Registration
Published on: November 23, 2019
8.0K
机器学习用于自动化和实时二维到三维的脊柱记录,使用单个X射线图
Andrew Abumoussa1, Vivek Gopalakrishnan2,3, Benjamin Succop4
1Departments of1Neurosurgery and.
Neurosurgical focus
|August 8, 2023
概括
一个新的自主监督机器学习算法能够实时,自动地从单个放射图中进行脊椎注册和定位. 这种自动化的2D-3D注册过程显示了改善外科导航和规划的潜力.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 脊柱外科手术 脊柱外科手术
背景情况:
- 脊柱的准确的手术内定位对于手术规划和导航至关重要.
- 目前用于2D-3D注册的方法可能很耗时,需要手动输入.
研究的目的:
- 评估,优化和验证自主监督的机器学习算法,用于实时自动脊柱注册和光学定位.
- 为了使C臂与3D体积数据相对准确的定位,使用单个X射线图框.
主要方法:
- 开发了一种二维到三维 (2D-3D) 登记算法,最大限度地提高了放射图像和数字重建放射图 (DRR) 之间的图像相似性.
- 该算法使用127名患者的圆束CT数据进行评估,模拟C臂注册量,每体积80个DRR.
- 确定了收率,自由度的准确性和音符对音符的注册准确性.
主要成果:
- 该算法在82%的模拟注册中成功实现了融合,平均计算时间为1.96秒.
- 注册证明了99.9%的准确性,即使使用单一精度计算.
- 通过限制搜索空间和为放射性同心点定义特定体积来实现最佳的收.
结论:
- 自主监督的机器学习算法提供了一个完全自动化的2D-3D注册过程,有可能帮助外科医生进行水平定位,手术规划和手术内导航.
- 未来的研究将专注于进一步的算法优化,以提高融合率和速度.
