对于手术内软组织变形估计的快速几何深度学习:在肝脏手术中实现实时AR指导

科学领域:

• 医疗成像医学成像
• 手术导航 手术导航
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 实时手术内软组织定位对于增强现实 (AR) 导航至关重要.
• 传统的生物机械模型在实时计算和边界条件采集方面遇到了困难.

研究的目的:

• 开发一种新的深度学习框架,用于准确的实时预测肝脏和血管变形.
• 改进AR引导的外科导航,特别是对于不可见的结构.

主要方法:

• 优化的PointNet++架构用于模拟肝脏和血管变形.
• 该框架包含多个尺度的特征提取,自我注意和残余传播.
• 为了提高几何一致性,使用混合损失函数 (Chamfer距离和MSE).

主要成果:

• 该模型以2.78 ± 0.69毫米 (肝静脉) 和1.81 ± 0.74毫米 (门静脉) 的根平均平方误差 (RMSE) 实现了高精度.
• 推断时间减少到0.25秒,计算速度比现有算法快83.9%.
• 通过血管拓分析,获得了3.2毫米的瘤定位精度.

结论:

• 拟议的深度学习框架有效地预测软组织变形实时.
• 这一进步为AR引导的肝胆外科手术中的导航提供了显著的改进.