正则化Kelvinlet函数与有限元法用于医学图像到稀疏器官数据配准的比较
图像与视频处理
2023-06-12 v1
摘要
图像引导手术将患者特异性数据与物理环境共置，以辅助实时手术决策。遗憾的是，这些引导系统常因术中软组织形变而失效。已提出非刚性图像到物理配准方法来补偿这些形变，但术中临床应用要求这些技术与手术室中的数据稀疏性和时间约束相兼容。虽然线弹性有限元模型在稀疏数据场景下有效，但有限元模拟的计算时间仍是广泛部署的局限。本文提出一种使用正则化Kelvinlet的配准算法，其为无限域中线弹性的解析解，以克服这些障碍。该算法在两个数据集上与基于有限元的配准进行了演示和比较：代表肝脏形变的体模数据集和代表乳腺形变的体内数据集。正则化Kelvinlet算法相比有限元法显著减少了计算时间。由目标配准误差评估的精度在两种方法间相当。正则化Kelvinlet和有限元法模型在肝脏数据集上的平均目标配准误差分别为4.6±1.0和3.2±0.8 mm，在乳腺数据集上分别为5.4±1.4和6.4±1.5 mm。本工作展示了正则化Kelvinlet配准算法在多种软组织弹性器官上的通用性。该方法可改进并加速图像引导手术应用的配准，并显示了在医学成像数据上使用正则化Kelvinlet解的潜力。
引用
@article{arxiv.2306.05509,
title = {Comparing Regularized Kelvinlet Functions and the Finite Element Method for Registration of Medical Images to Sparse Organ Data},
author = {Morgan Ringel and Jon Heiselman and Winona Richey and Ingrid Meszoely and William Jarnagin and Michael Miga},
journal= {arXiv preprint arXiv:2306.05509},
year = {2023}
}
备注
17 pages, 9 figures