基于心外膜引导的实时心脏超声帧到体积配准

心脏干预手术的全面指导视图可通过融合内手术2D图像和术前3D体积数据实现，这需要进行心脏超声帧到体积配准。然而，心脏超声图像具有低信噪比和相邻帧间差异小的特征，同时2D帧与3D体积之间的尺寸差异巨大，导致实现实时且准确的心脏超声帧到体积配准极具挑战性。本文提出一种轻量级端到端心脏超声帧到体积配准网络，称为CU-Reg。具体而言，所提模型利用心外膜引导的解剖线索强化2D稀疏与3D稠密特征的相互作用，随后进行基于体素的局部-全局特征聚合，从而提升低质量超声模态的跨维匹配效果。我们进一步在混合监督学习中嵌入帧间判别性正则化项，以增加同一超声体积中相邻切片之间的区分度，确保配准稳定性。在重新处理的CAMUS数据集上进行的实验结果表明，CU-Reg 在配准精度和效率方面均优于现有方法，满足临床心脏干预手术的指导要求。