从部分点云评估基于学习的重建肝脏表面,以改善手术前和手术内3D到3D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
• 几何深度学习 几何深度学习

背景情况:

• 图像指导性肝脏手术需要准确地融合手术前和手术后的数据.
• 手术期间肝脏的部分可见性对注册提出了重大挑战.
• 从部分点云生成完整表面的基于学习的方法提供了潜在的解决方案.

研究的目的:

• 通过从部分数据生成完整的手术内肝脏表面来分析引入的错误.
• 为了评估这种产生的表面误差对刚性和非刚性注册算法的影响.
• 确保在临床环境中图像引导性肝脏手术的强大性能.

主要方法:

• 使用了一个VN-OccNet框架,在模拟变形肝脏数据上进行训练.
• 从实验室肝脏幽灵的多个角度获得的部分点云生成完整的表面.
• 将产生的表面集成到Go-ICP和GMM-FEM注册框架中.
• 估计在可见和不可见区域的注册错误.

主要成果:

• 表面生成误差随着距离可见部分表面的距离而增加.
• 生成的表面错误会影响在看不见区域的登记准确性.
• 在可见区域也观察到注册错误,影响了摄像机视野内的准确性.

结论:

• 了解和量化表面生成错误对于准确的图像引导肝脏手术至关重要.
• 拟议的方法提供了对生成表面的注册过程中错误传播的见解.
• 需要进一步精细化,以减轻临床应用中可见和不可见区域的错误.