通过鲁棒于C臂倾斜的深度学习框架实现介入放射学套件中的实时容积成像
医学物理
2025-11-19 v1
摘要
当代介入成像缺乏精确定位移动胸部目标所需的实时3D引导。虽然锥束CT(CBCT)提供3D数据，但其对于动态运动追踪而言通常太慢。从稀疏2D投影重建3D体积的深度学习框架提供了一种有前景的解决方案，但它们在介入放射学中常见的几何复杂、非零倾斜采集下的性能尚不清楚。本研究评估了一个用于估计3D运动的患者特异性深度学习框架对一系列C臂头尾倾斜的鲁棒性。使用具有模拟呼吸周期的4D数字体模，在10个呼吸相位上模拟了五个头尾倾斜角度的2D X射线投影。为每个倾斜条件训练了一个单独的深度学习模型来重建3D容积图像。该框架在所有倾斜条件下均表现出一致的高保真重建，平均结构相似性指数(SSIM) > 0.980。虽然统计分析显示倾斜组之间的性能存在显著差异(p < 0.0001)，但这些差异的绝对幅度极小（例如，所有倾斜条件下SSIM的平均绝对差约为0.0005），表明它们在功能上不显著。呼吸运动的幅度被发现是影响精度的主导因素，而C臂倾斜的影响是次要的、小得多的效应。这些发现表明，一种基于患者特异性运动估计的深度学习方法对现实临床场景中遇到的几何变化具有鲁棒性，这代表了向在灵活的介入环境中实现实时3D引导迈出的关键一步。
引用
@article{arxiv.2511.13980,
title = {Enabling Real-Time Volumetric Imaging in Interventional Radiology Suits via a Deep Learning Framework Robust to C-arm Tilt},
author = {Fawazilla Utomo and Tess Reynolds and Nicholas Hindley},
journal= {arXiv preprint arXiv:2511.13980},
year = {2025}
}