LIBR+：通过学习基于生物力学的可变形配准残差改进术中肝脏配准
图像与视频处理
2024-03-12 v1 人工智能
机器学习
摘要
手术环境为器官形状与其术前成像几何形状的术中配准带来了独特的挑战。基于生物力学模型的配准仍然流行，而由于术中测量的稀疏性和变异性，以及手术期间可获得的器官真实变形的局限性，深度学习解决方案仍然受限。在本文中，我们提出了一种新颖的混合配准方法，该方法利用基于线弹性生物力学的线性化迭代边界重建 (LIBR) 方法，并使用深度神经网络学习其相对于真实变形的残差（LIBR+）。我们进一步构建了一个双分支样条残差图卷积神经网络 (SR-GCN)，以融合来自稀疏且多变的术中测量的信息，并将其有效地传播通过 3D 器官的几何结构。在大型术中肝脏配准数据集上的实验表明，与现有的刚性、基于生物力学模型的非刚性以及基于深度学习的非刚性术中肝脏配准方法相比，LIBR+ 实现了一致的改进。
引用
@article{arxiv.2403.06901,
title = {LIBR+: Improving Intraoperative Liver Registration by Learning the Residual of Biomechanics-Based Deformable Registration},
author = {Dingrong Wang and Soheil Azadvar and Jon Heiselman and Xiajun Jiang and Michael Miga and Linwei Wang},
journal= {arXiv preprint arXiv:2403.06901},
year = {2024}
}
备注
12 pages, Medical Image Computing and Computer Assisted Intervention 2024