研究变压器编码技术,以改善数据驱动的体积到表面肝脏注册,用于图像导航导航

科学领域:

• 医疗成像医学成像
• 手术导航 手术导航
• 人工智能在医学中的应用

背景情况:

• 最少侵入性手术需要精确的仪器导航,由于有限的直接器官可视化,通常依赖于医学成像.
• 在腹腔镜肝脏手术中的手术视频提供了一个有限的视图,缺乏从手术前扫描中获得的内部病变数据.
• 准确的注册手术前数据到手术内设置对于增强可视化和导航至关重要.

研究的目的:

• 为了提高腹腔镜干预的非刚性体积-表面肝脏注册的准确性和稳定性.
• 适应最先进的深度学习框架,特别是基于变压器的网络,以加强肝脏注册.
• 为了评估网络架构修改在预测位移场的性能,以准确地进行注册.

主要方法:

• 利用深度学习框架来实现和测试用于肝脏注册的各种网络架构修改.
• 调整了一个基于变压器的细分网络,用于预测非刚性注册中的最佳位移场.
• 通过使用各种数据集的平均位移误差等指标来评估性能.

主要成果:

• 一个基于变压器的网络架构,UTNet,与基线方法相比显示出了显著的改进.
• UTNet架构实现了大约4毫米的平均位移误差.
• 拟议的方法在体积到表面的肝脏注册中显示出更高的准确性和稳定性.

结论:

• 基于变压器的网络,特别是UTNet,对改善图像导向手术中的图像注册具有很大的前景.
• 准确的注册对于克服腹腔镜肝脏手术期间手术内可视化的局限性至关重要.
• 这项工作有助于推进人工智能驱动的解决方案,以实现更精确,更有效的微创手术干预.