开发新的光学位置跟踪技术的测试平台,以改善磁共振成像中的头部运动校正
Marina Silic1,2, Fred Tam1, Simon J Graham1,2
1Physical Sciences Platform, Sunnybrook Research Institute, Toronto, ON M4N 3M5, Canada.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
这项研究引入了一个无标记的深度学习系统,用于准确的头部姿势跟踪,克服了磁共振成像运动校正传统标记式方法的局限性. 新系统显示了临床使用的高可行性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 使用信任标记器的光学跟踪有助于磁共振成像 (MRI) 运动工件的校正,但由于设置时间和校准,它面临临临床采用障碍.
- 由于严格的亚毫米空间分辨率要求,用于头部姿势估计的无标记深度学习尚未应用于MRI运动校正.
- 现有的基于标记器的系统存在阻塞,附着问题,漫长的校准和跨自由度 (DOF) 不一致的性能.
研究的目的:
- 开发和评估基于深度学习的无标记光学跟踪系统,用于精确的MRI头部姿势估计.
- 克服与基于标记器的光学跟踪系统相关的临床实施挑战.
- 为了证明深度学习方法的可行性,以准确的次毫米头部姿势跟踪.
主要方法:
- 开发了一种双系统方法:一个基于高保真标记的系统,用于基本真相和一个没有标记的深度学习系统.
- 使用定制的moiré增强型信托标记器进行精确的地面真实测量.
- 创建了一个合成头姿势数据集,用于初始训练卷积神经网络 (CNN).
主要成果:
- 地面真实系统实现了头部姿势跟踪精度低于1毫米和1度.
- 在合成数据集上预训练CNN时,包含的模型的平均根平均平方误差为0.13 (mm/°),排除的模型的平均误差为0.36 (mm/°).
- 没有标记器的系统证明了高可行性准确的头部姿势估计.
结论:
- 在MRI应用中,无标记深度学习方法对于精确的头部姿势跟踪是非常可行的.
- 这项技术有潜力显著改善临床采用光学跟踪的运动工件校正.
- 进一步的研究将集中在训练和测试系统与真实世界的数据在MRI环境.
