利用卷积神经网络学习器官软组织行为用于手术导航

目的：在手术导航中，术前器官模型在干预过程中呈现给外科医生，以助其高效定位目标。对于软组织，这些模型需利用术中传感器数据变形并适应当前状态。实现此目标的一种有前景的方法是具备实时能力的生物力学模型。方法：我们训练一个全卷积神经网络，在仅给定器官部分表面位移时估计器官内所有点的位移场。网络在完全合成的随机类器官网格数据上训练，这使我们能生成远多于实际可得的数据。输入与输出数据被离散化为规则网格，从而充分利用卷积算子的能力并以高度并行方式训练与推断。结果：系统在硅基肝脏模型、体模肝脏数据及人体体内呼吸数据上评估。我们测试了不同材料参数、器官形状与可见表面量下的性能。尽管网络仅在合成数据上训练，其仍良好适应各类情形并给出器官内部位移的良好估计。推断以超过 50 帧每秒运行。结论：我们提出一种训练数据驱动、具备实时能力的形变模型的新方法。精度与其他配准方法相当，其极好适应此前未见器官且无需为每个患者重新训练。高推断速度使该方法对手术导航与实时仿真等诸多应用有用。