视频支气管镜中的气道标签预测：利用解剖学知识捕捉时间依赖性

目的：对于使用视频支气管镜的多种肺部介入操作，导航引导是一项关键需求。最先进的解决方案侧重于利用电磁追踪和相对于术前CT扫描的术中图像配准来引导肺活检。对患者特异性CT扫描的需求阻碍了导航引导在其他应用（如重症监护病房）中的使用。方法：本文仅结合支气管镜视频数据来解决导航引导问题。与最先进的方法不同，我们完全不使用电磁追踪和患者特异性CT扫描。相对于患者间气道模型的拓扑支气管镜定位实现了引导。特别地，我们充分利用被顺序遍历的气道树的解剖学约束。这是通过将基于CNN的气道似然序列整合进隐马尔可夫模型（Hidden Markov Model）来实现的。结果：我们的方法在肺部体模模型内的多个实验中得到评估。考虑到时间上下文并使用解剖学知识进行正则化，我们能够将准确率提升至0.98（加权F1：0.98对比0.81），而基于单帧的分类为0.81。结论：我们首次将基于CNN的单图像气道段分类与解剖学约束和基于时间HMM的推断相结合。我们的方法使得在无电磁追踪和患者特异性CT扫描的情况下，支气管镜介入的纯视觉引导成为可能。