解决完整到部分点云注册的模糊性,用于图像引导肝脏手术,用补丁与部分匹配

科学领域:

• 医疗图像分析 医疗图像分析
• 手术导航手术导航手术导航
• 计算机辅助手术是计算机辅助的手术.

背景情况:

• 图像引导性肝脏手术依赖于术前 (CT/MRI) 和术后数据 (点云) 的准确对齐.
• 目前的半自动调整方法容易出现错误,需要手动纠正.
• 基于对应的点云注册提供了完全自动化的解决方案,但在有限的操作内可见性 (完全到部分模糊性) 方面存在困难.

研究的目的:

• 评估基于最先进的学习的点云注册方法在操作内可见性有限的场景中的性能.
• 提出一个新的模块,以解决肝脏手术注册的完全或部分模糊性.
• 为了提高图像引导肝脏手术点云注册的准确性和稳定性.

主要方法:

• 评估现有的基于学习的点云注册方法,用于模拟低可见度条件的in silico和in vitro数据集.
• 开发一个补丁与部分匹配策略,作为现有注册框架的插即用模块.
• 在基于学习的注册管道中整合和测试拟议的模块.

主要成果:

• 最先进的方法显示,在低可见性条件下,性能下降.
• 拟议的补丁与部分匹配模块显著减少了注册错误:6.7毫米 (-29%) 在 silico 和12.5毫米 (-40%) 在 in vitro.
• 该模块的性能优于莱帕德方法,实现了较低的注册误差 (9.5mm in silico,20.7mm in vitro).

结论:

• 完全或部分的模糊性对图像引导肝脏手术中的点云注册构成了重大挑战.
• 拟议的补丁与部分匹配策略有效地解决了这种模糊性,在低可见性场景中提高了注册准确性.
• 开发的基准和模块为推进图像引导肝脏手术的自动注册提供了基础.