用于术中X射线到体积配准的快速患者特异性神经网络
图像与视频处理
2026-05-20 v2 计算机视觉与模式识别
医学物理
摘要
图像引导介入和外科机器人中的先进导航技术需要将3D术前体积（如CT、MRI）与2D术中图像（如X射线透视）快速且精确地对齐。然而，现有的2D/3D配准方法无法在广泛的透视引导手术中泛化：基于强度的传统优化器需要为每个受试者仔细调整超参数，而深度学习方法需要大量手动标注的数据集，并且仍然局限于其训练所针对的特定解剖结构。为了解决这些局限性，我们提出了xvr，这是一个将患者特异性神经网络与基于梯度的优化相结合的用于自动2D/3D配准的自监督框架。xvr利用基于物理的模拟从患者自身的术前扫描中生成训练数据，从而消除了手动标注的需要。我们提出了一个在数千次全身扫描上预训练的基础模型，仅需5分钟的微调即可实现对任何解剖区域的患者特异性适应。在迄今为止规模最大的真实透视到2D/3D配准评估中，xvr在几秒钟内即可在不同的解剖结构、成像模态和医院中实现高精度，将现有方法的准确性提高了一个数量级。xvr通过开源软件（https://xvr.csail.mit.edu）使泛解剖2D/3D刚性配准能够为广泛的临床和研究群体所用。
引用
@article{arxiv.2503.16309,
title = {Rapid patient-specific neural networks for intraoperative X-ray to volume registration},
author = {Vivek Gopalakrishnan and David-Dimitris Chlorogiannis and Andrew Abumoussa and Anna M. Larson and Nazim Haouchine and Darren B. Orbach and Sarah Frisken and Neel Dey and Polina Golland},
journal= {arXiv preprint arXiv:2503.16309},
year = {2026}
}