基于深度学习的非刚性体积到表面注册用于脑位移补偿：点云方法
计算机视觉与模式识别
2026-04-21 v1
摘要
软组织变形是图像引导神经外科手术中的重要限制，术中解剖结构因脑位移而与术前成像存在显著偏差，影响导航精度及手术安全性。现有补偿方法常依赖术中 MRI、CT 或超声波成像，这些技术既 disruptive，又难以频繁集成至手术流程。相比之下，来自立体显微镜或激光范围扫描仪（LRS）的部分 3D 皮层表面可重建为点云，仅捕获暴露皮层的局部区域。这使得点云注册成为不中断手术的实用替代方案；然而，部分且噪声的观测数据使得变形估计极具挑战性。本研究提出一种基于深度学习的框架，用于非刚性体积到表面注册，实现从稀疏术中表面观测中估计密集位移场，无需显式点对应或体积术中成像。网络利用多尺度点特征提取与层次变形解码器捕获全局与局部变形。核心贡献在于将部分术中表面信息融入完整术前点云域，实现隐式对应学习与稀疏可见性下的稠密变形恢复。定量结果表明，在挑战性的部分表面条件下，本方法实现了细尺度变形的精准恢复，端点误差（EPE）为 mm，RMSE 为 mm。该方法支持从稀疏表面观测中实现自动、兼容手术流程的脑位移补偿。
引用
@article{arxiv.2604.17389,
title = {Deep learning based Non-Rigid Volume-to-Surface Registration for Brain Shift compensation Using Point Cloud},
author = {Eashrat Jahan Muniya and Gernot Kronreif and Ander Biguri and Wolfgang Birkfellner and Sepideh Hatamikia},
journal= {arXiv preprint arXiv:2604.17389},
year = {2026}
}