面向实时自主导航：基于变换器的血管支架在X线片中的跟踪

目的：机械栓塞术( MT)可改善中风后果，但受限于缺乏局部治疗渠道。通过实施基于强化学习(RL)的机器人系统可缓解这一挑战，但当前RL方法需要实时设备支架坐标跟踪才能正常工作。本文旨在开发和评估X线片下血管支架实时跟踪管线，解决低对比度、噪声和设备遮挡等挑战。方法：设计了多线程管线，集成帧读取、预处理、推理和后处理。训练和基准测试了包括U-Net、U-Net+Transformer和SegFormer在内的深度学习分割模型，采用两类和三类 formulation。后处理包括两步组件过滤、一像素中性骨架化和贪心弧长路径跟随带轮廓回退。结果：在手动标记的中等复杂度X线片视频数据上，两类SegFormer实现了平均绝对误差为4.44 mm，优于U-Net(4.60 mm)、U-Net+Transformer(6.20 mm)和所有三类模型(5.19-7.74 mm)。在分割基准测试中，该系统在三段分割上Dice得分提升了最高5%。结论：结果表明，所提出的多线程跟踪框架在面临挑战性成像条件下保持稳定性能，超越了先前基准，为RL基于的自主MT导航提供了可靠且高效的基础。