相关实验视频
Updated: Jul 17, 2026

10:35
Precision Measurements and Parametric Models of Vertebral Endplates
Published on: September 17, 2019
6.9K
在X射线中对脊椎进行语义边缘引导单视图2D/3D注册
Ao Shen1, Junfeng Jiang2, Ye Tang1
1College of Information Science and Engineering, Hohai University, Changzhou, Jiangsu, China.
Medical physics
|March 15, 2026
概括
这项研究介绍了ESegMamba,一种新的AI框架,用于使用脊椎身体边缘准确的2D/3D腰椎注册. 该方法实现了高精度和高效率的手术内脊柱导航.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 脊柱外科手术 脊柱外科手术
背景情况:
- 在图像引导干预中,人工智能集成旨在从二维成像中提取3D信息.
- 当前的2D/3D注册方法与图像域间隙和特征提取作斗争,导致精度降低.
- 不充分的初始姿势和局部优点在现有技术中的精细注册限制精度.
研究的目的:
- 开发一个强大的单视图腰椎2D/3D注册框架.
- 将手术前的CT扫描与手术内X射线进行对齐,以提高准确性和效率.
- 解决临床内科手术环境中当前方法的局限性.
主要方法:
- 在X射线中利用脊椎身体边缘作为指导2D/3D注册的新意义特征.
- 使用ESegMamba,一个高效的U形Mamba网络与GHPA和GAC模块,用于强大的边缘提取.
- 与SegMamba,SwinUNETR和UNETR对ESegMamba进行验证;使用mtRE将注册表现与基于里程碑,基于强度和基于学习的方法进行比较.
主要成果:
- ESegMamba 实现了 90.36% 的 Dice 和 85.49% 的 mIoU,超过了使用较少参数的其他网络.
- 与SegMamba相比,Dice显著改善 (科恩的d=2.05,p<0.00067).
- 与Xreg和PSSS相比,实现了优异的2D/3D记录性能,在mTRE中实现了很大的实际改进 (p < 0.0011).
结论:
- 基于ESegMamba的方法显示了比基于强度的基准数据有统计学上显著的改善.
- 在临床数据上获得了低于2mm的精度和~10s的处理时间,证实了手术内脊柱导航的有效性.
- 代码是公开的,这有助于进一步的研究和应用.

