使用数据驱动生物力学模型的非刚性体到表面配准
图像与视频处理
2020-06-01 v1 图形学
机器学习
摘要
非刚性配准是软组织导航的关键组件。我们专注于腹腔镜肝脏手术，将术前 CT 扫描获得的器官模型配准到由腹腔镜视频重建的术中部分器官表面。由于术中数据稀疏且含噪、实时性要求以及许多未知因素（如组织特性和边界条件），这是一项具有挑战性的任务。此外，由于肝脏通常缺乏明显的表面特征且所用的成像模态受到截然不同的噪声影响，在术前和术中数据之间建立对应关系极其困难。在这项工作中，我们训练了一个卷积神经网络，以一步完成表面对应关系的搜索以及非刚性配准。该网络在随机生成、变形的类器官结构的物理精确生物力学模拟上进行训练。这使得网络能够立即泛化到新的患者器官，而无需重新训练。我们在训练期间向术中表面添加了不同程度的噪声，使网络对含噪的术中数据具有鲁棒性。在推理期间，网络输出位移场，将术前体积与部分术中表面相匹配。在多个实验中，我们表明该网络能很好地适用于真实数据，同时保持较高的推理速度。我们的代码已在线开源。
引用
@article{arxiv.2005.14695,
title = {Non-Rigid Volume to Surface Registration using a Data-Driven Biomechanical Model},
author = {Micha Pfeiffer and Carina Riediger and Stefan Leger and Jens-Peter Kühn and Danilo Seppelt and Ralf-Thorsten Hoffmann and Jürgen Weitz and Stefanie Speidel},
journal= {arXiv preprint arXiv:2005.14695},
year = {2020}
}
备注
Provisionally accepted for MICCAI 2020