在 laparoscopic 肝脏切除中进行了无里程碑式的手术前至手术内注册
IEEE transactions on medical imaging
|May 27, 2025
概括
这项研究介绍了Self-P2IR,这是肝脏注册的新的,没有里程碑的框架. 它通过使用自主监督学习改进3D-to-intraoperative模型对齐来提高外科准确性.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机辅助手术是计算机辅助的手术.
- 机器学习 机器学习
背景情况:
- 肝脏注册通过将手术前的3D模型与手术内视图对齐,有助于手术规划.
- 目前基于里程碑的方法受到含糊不清的定义和不充分整合手术内数据的限制.
研究的目的:
- 开发一个没有里程碑的框架,用于准确的手术前至手术内肝脏注册.
- 改善外科医生对空间解剖学的感知,提高手术成功率.
主要方法:
- 拟议的Self-P2IR框架将3D-2D转换为3D-3D注册,将其分离为刚性和非刚性任务.
- 使用特征解变压器进行刚性转换恢复.
- 采用结构规则化的变形网络,使用低级变压器进行非刚性对齐.
主要成果:
- 自我P2IR框架在合成和in-vivo数据集上表现出卓越的性能.
- 为验证,创建了一个新的体内数据集 (P2I-LReg),包含346个关键框架.
- 用户研究证实了该方法的潜在临床适用性.
结论:
- 自我P2IR为肝脏注册提供了一个强大的,准确的,没有里程碑的解决方案.
- 该框架显示了肝脏外科手术中临床应用的巨大潜力.
