面向已部署支架移植物的自动三维形状实例化：基于等权焦点 U-Net 的二维多类与类不平衡标记分割

机器人辅助开窗式腔内主动脉修复(FEVAR)目前由 2D 透视导航，其信息量不足。此前，开发了一种半自动三维形状实例化方法，可从单张透视投影实时实例化已部署的主干开窗式支架移植物的三维形状，有助于三维 FEVAR 导航与机器人路径规划。该半自动方法基于鲁棒透视五点(RP5P)法、移植物间隙插值以及半自动多类标记中心确定。本文中，通过自动多类标记分割及由此实现的自动多类标记中心确定，可达成自动三维形状实例化。首先，将标记设计为五种不同的形状。随后，提出等权焦点 U-Net 将定制标记的透视投影分割为五类，从而确定标记中心。所提等权焦点 U-Net 以 U-Net 为网络架构，采用等权损失函数进行初始标记分割，再采用等权焦点损失函数改进初始标记分割。所提网络在本文的类不平衡分割上优于传统加权 U-Net，且减少了一个超参数——权重。在 78 张测试图像上取得了 0.6943 的总体平均交并比(mIoU)，其中 81.01% 的标记分割中心位置误差 <1.6mm。三维形状实例化也取得了可比精度并予以说明。数据、训练模型与 TensorFlow 代码均已在线提供。