无轨迹器的自由手位超声非刚性重建
图像与视频处理
2024-10-22 v2 计算机视觉与模式识别
摘要
近期，基于深度学习的无轨迹器重建二维自由手位超声(US)帧至3D空间取得了进展。预测优异的帧间刚性变换常被视为学习目标，尤其当地面真值来自空间跟踪设备时天然呈现为刚性变换。受软组织在扫描过程中产生的非刚性变形以及刚性变换预测高度敏感的影响，本研究探究预测非刚性变换以重建3D US的方法及其优势。我们提出一种新型联合优化算法，同时估计由跟踪器监督的US帧间刚性变换和由正则化注册网络优化的非刚性变形。我们表明，这两种目标可采用元学习或加权方式联合优化。还开发了一种快速散点数据插值方法，使训练期间能够频繁进行非平行US帧的重建和配准。该数据集包含超过357,000个帧，涵盖720次扫描，来自60名受试者。实验结果表明，由于扩大的解空间使优化更易实现，加入变形估计后泛化性能相对于基于刚性真值的基线方法得到提升。全局像素重建误差（评估累积预测）从18.48 mm降至16.51 mm。使用人工标定的 landmarks，联合优化方法在推断阶段也显示出补偿非刚性组织运动的潜力，而这在跟踪器提供的真值中无法衡量。本文使用的数据和代码已公开发布于https://github.com/QiLi111/NR-Rec-FUS。
引用
@article{arxiv.2407.05767,
title = {Nonrigid Reconstruction of Freehand Ultrasound without a Tracker},
author = {Qi Li and Ziyi Shen and Qianye Yang and Dean C. Barratt and Matthew J. Clarkson and Tom Vercauteren and Yipeng Hu},
journal= {arXiv preprint arXiv:2407.05767},
year = {2024}
}
备注
Accepted at MICCAI 2024