End2Reg：针对脊椎手术中无标记配准的任务特定分段学习
计算机视觉与模式识别
2026-05-21 v2 人工智能
摘要
脊椎手术内镜导航要求毫米级精度。目前通过剂量较大的内手术成像和骨锚定标记物实现，该方法侵入性强且会干扰手术流程。无标记RGB-D配准方法提供了有前景的替代方案。然而，现有方法依赖弱分段标签来隔离相关解剖结构，可能在配准过程中传播错误。我们提出End2Reg，一个端到端深度学习框架，联合优化分段和配准，无需分段标签和手动步骤。网络学习任务特定的分段掩码，以配准目标为导向，仅凭配准目标即可优化，而无需显式分段监督。End2Reg在ex-和in-vivo基准测试中实现了领先的性能，通过减少中性目标配准误差32%，将均根均方误差降低61%，同时在部分遮挡情况下的鲁棒性仍然良好。消融结果确认，端到端优化显著改善了配准精度。总体而言，End2Reg向完全自动化、无标记的内手术导航迈进了一步。代码和交互式可视化可在：https://lorenzopettinari.github.io/end-2-reg/获取。
引用
@article{arxiv.2512.13402,
title = {End2Reg: Learning Task-Specific Segmentation for Markerless Registration in Spine Surgery},
author = {Lorenzo Pettinari and Sidaty El Hadramy and Michael Wehrli and Philippe C. Cattin and Daniel Studer and Carol C. Hasler and Maria Licci},
journal= {arXiv preprint arXiv:2512.13402},
year = {2026}
}
备注
Early Accepted MICCAI 2026. Code and interactive visualizations: https://lorenzopettinari.github.io/end-2-reg/