兴趣点线性注意网络实时非刚性肝脏体积到表面记录
Zeming Chen1,2, Beiji Zou1,2, Xiaoyan Kui1,2
1School of Computer Science and Engineering, Central South University, Changsha, Hunan, China.
Medical physics
|May 17, 2024
概括
这项研究引入了一种新的神经网络,用于腹腔镜外科手术中的实时肝脏注册,提高了部分表面数据的准确性. 这种新方法通过精确预测内部组织移位,提高了手术决策.
科学领域:
- 医疗成像医学成像
- 手术技术 手术技术
- 人工智能在医学中的应用
背景情况:
- 准确预测肝脏内解剖结构的位移对于腹腔镜肝脏手术的决策至关重要.
- 在腹腔镜手术中,有限的可见性需要非刚性体积-表面记录方法.
- 传统的注册方法缺乏准确性和手术应用的实时功能.
研究的目的:
- 开发一种高精度的实时肝脏注册方法,只使用部分表面信息.
- 为了准确估计手术期间肝脏内部组织的移位.
主要方法:
- 一个新的神经网络架构,用于实时非刚性肝脏体积到表面的记录.
- 将稀疏卷积与感兴趣点 (POI) 线性注意模块集成,以提高准确性.
- 识别和应用RMSINorm作为最佳规范化方法.
主要成果:
- 拟议的网络在生成的数据集上实现了4.23mm的平均误差和65.4fps的率.
- 在人类呼吸运动数据集上,该方法得到的平均误差为8.29毫米.
- 与现有网络相比,在准确性和速度方面表现出卓越的性能.
结论:
- 这种新型神经网络显著提高了实时肝脏注册的准确性和速度.
- 在准确性和推断速度上都优于传统的基于CNN和其他注意力网络.
- 能够在腹腔镜肝脏手术中进行更明智的手术内决策.
