无域 2D-3D可变形注册 适用于没有对比剂的光学指导
François Lecomte-Denis1, Juan Verde2, Jean-Louis Dillenseger3
1Inria, Strasbourg, 67000, France.
Medical image analysis
|July 2, 2025
概括
本研究引入了一种新的方法,用于从单个光镜图像使用完全卷积网络进行实时3D位移场估计. 该方法准确地预测了复杂的变形,如针插入的变形,而不需要运动模型.
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:
- 从二维图像进行准确的3D位移估计对于图像引导干预至关重要.
- 现有的2D-3D注册方法通常依赖于统计运动模型,限制它们预测非标准变形的能力.
研究的目的:
- 开发一种实时方法,从单个光镜图像中估计3D位移场.
- 为了能够准确地预测复杂的组织变形,独立于预定义的运动模式.
主要方法:
- 采用完全卷积网络架构来解决3D位移估计的反向问题.
- 监督学习是在合成数据上进行的,使用数字重建射线图 (DRR) 作为输入和位移字段作为输出.
- 随机的高斯核被用来生成一个合成训练数据集,具有光滑和不同形态的移位场,避免依赖统计运动模型.
主要成果:
- 拟议的方法准确地从单个光镜图像中实时估计3D位移场.
- 该模型成功地预测了与呼吸或其他预先确定的运动模式无关的变形.
- 临床应用证明了皮肤穿刺针插入过程中对变形的准确预测.
结论:
- 开发的方法提供了一种新的方法,用于从光镜图像中实时3D位移估计.
- 这种技术有可能通过准确预测组织变形来改善以图像为导向的手术,例如穿皮干预手术.
- 在某些临床应用中,这种方法可能会减少对比剂注射的需要.


