基于神经网络卡尔曼滤波的线阵超声数据三维物体跟踪

许多介入式外科手术依赖于医学成像来可视化和跟踪器械。此类成像方法不仅需要具备实时能力，还需提供准确且鲁棒的位置信息。在超声应用中，通常仅能获得来自线阵的二维数据，因此获取精确的三维位置估计并非易事。在本工作中，我们首先使用逼真的合成训练数据训练一个神经网络，以估计物体在重建超声图像中的面外偏移及其相关的轴向像差。随后，将所得估计与卡尔曼滤波方法相结合，该方法利用先前时间帧中获得的位置估计，以提高定位鲁棒性并降低测量噪声的影响。所提方法的准确性通过仿真进行评估，并使用一种新型光学超声成像装置获得的实验数据证明了其实用性。系统可实时提供准确且鲁棒的位置信息。对于面外物体，其轴向与侧向坐标的估计在仿真数据中的平均误差为 0.1mm，在实验数据中的平均误差为 0.2mm。三维定位在仰角距离大于 1mm 时最为准确，所考虑的 25mm 孔径的最大距离为 6mm。