基于深度学习的2.5D流场估计用于4D光学相干断层扫描的最大强度投影
计算机视觉与模式识别
2019-02-20 v2 机器学习
机器学习
摘要
在显微手术中,激光已成为骨消融的精密工具。一项挑战是基于4D光学相干断层扫描(OCT)的激光骨消融自动控制。OCT作为高分辨率成像模态提供组织体积图像,并预示骨位置与方向(位姿)以及厚度信息。然而,现有基于OCT的激光消融控制方法依赖外部跟踪系统或侵入性消融的人工地标来跟踪OCT探针相对于组织的位姿。这可通过估计由OCT激光消融系统与患者间相对运动引起的场景流来替代。因此,本文处理用于激光消融应用的体积OCT图像2.5D场景流估计。我们提出一种基于半监督卷积神经网络的后续3D OCT体跟踪方案,并将其应用于离体人颞骨标本的真实半合成数据集。场景流以两阶段方法估计。第一阶段,在census变换的面向面最大强度投影上计算2D横向场景流。此后,投影由预测的横向流扭曲,并估计1D深度流。该神经网络通过结合至真值的误差与扭曲图像的重构建误差以及空间流平滑假设进行半监督训练。定量评估显示,由模拟OCT探针与骨之间相对运动引起的场景流估计平均端点误差为体素或。4D OCT的场景流估计使其可用于一般图像引导中乳突骨结构的无标记跟踪,以及自动化激光消融控制。
引用
@article{arxiv.1810.11205,
title = {Deep learning based 2.5D flow field estimation for maximum intensity projections of 4D optical coherence tomography},
author = {Max-Heinrich Laves and Lüder A. Kahrs and Tobias Ortmaier},
journal= {arXiv preprint arXiv:1810.11205},
year = {2019}
}
备注
Accepted for SPIE Medical Imaging 2019