使用离线扩散学习进行 laparoscopic 图像的形状注册

科学领域:

• 医疗成像医学成像
• 计算机辅助手术 计算机辅助手术
• 机器学习 机器学习

背景情况:

• 患者器官几何形状和内镜图像之间的准确形状记录对于图像引导手术至关重要.
• 由于有限的手术内3D成像,收集3D培训数据存在挑战.
• 合成和真实图像之间的域差异阻碍了强大的离线学习.

研究的目的:

• 提出一种基于扩散的离线学习策略,用于腹腔镜摄像头图像中的肝脏网格注册.
• 用共享的语义器官标签来缓解合成和真实图像之间的域间隙.
• 为了提高手术指导的2D/3D注册的准确性和稳定性.

主要方法:

• 为2D/3D形状注册开发了一个基于扩散的线下学习框架.
• 语义器官标签被用作共享图像特征来弥合域间隙.
• 在训练期间,高斯噪声被引入到注册参数中,在2D器官标签中的视觉变化指导噪声预测.

主要成果:

• 与传统方法相比,拟议的方法显示出更高的预测准确性.
• 该模型成功地在腹腔镜摄像头图像中记录了肝脏网状的形状.
• 生成的图像重叠有效地可视化瘤和血管结构,用于手术内指导.

结论:

• 基于扩散的线下学习策略有效地解决了2D/3D注册中的域差异.
• 开发的模型通过可视化关键解剖结构,提供准确的手术内指导.
• 这种方法对于提高腹腔镜手术的精度具有显著的临床意义.