腹腔镜肝切除中的无标志预处理-内处理注册

通过将术前 3D 模型叠加到手术中的 2D 帧进行肝脏注册，可以帮助外科医生清晰地感知肝脏的空间解剖结构，从而提高手术成功率。现有的注册方法高度依赖解剖标志物的基于标志物的工作流程，这两种限制导致两个主要问题：1) 模糊的标志物定义未能为注册提供有效的标记；2) insufficiently 将手术期肝脏视觉信息整合到形变建模中。为解决这些挑战，本文提出一种基于有效自监督学习的无标志预处理-内处理肝脏注册框架，称为 \ourmodel。该框架将常规的 3D-2D 工作流程转换为 3D-3D 注册管道，并解耦为刚性和非刚性注册子任务。\ourmodel~首先引入特征解耦变换器，以学习鲁棒对应关系以恢复刚性变换。进一步，设计了结构正则化变形网络，用于调整术前模型以与手术期肝脏表面对齐。该网络通过在低秩变换器网络中进行几何相似性建模来捕获结构相关性。为促进注册性能的验证，我们还构建了一个包含 21 名患者肝切除手术视频的内源性注册数据集，称为 \emph{P2I-LReg}，其中包含 346 个关键帧，提供肝脏的全局视图，同时包含肝脏掩码标注和已校准的相机内参�。在合成数据和内源性数据上的大量实验和用户研究均表明，我们的方法在性能和潜在临床适用性方面具有优势。