换能器自适应的超声体积重建

重建的三维超声体积相比一系列二维扫描帧提供了更多的上下文信息，这对于超声引导前列腺活检等多种临床应用是理想的。然而，从自由手二维扫描重建三维体积是一个非常具有挑战性的问题，尤其在不使用外部跟踪设备的情况下。近期基于深度学习的方法展示了直接估计连续超声帧间运动的潜力。然而，这类算法特定于训练数据所对应的特定换能器和扫描轨迹，可能无法泛化到其他图像采集设置。本文将数据采集差异视为域偏移问题，并提出一种新颖的域适应策略，使深度学习算法适应由不同换能器采集的数据。具体而言，通过最小化潜空间中配对样本深度特征之间的差异，训练从不同数据集生成换能器不变特征的特征提取器。我们的结果表明，所提出的域适应方法能够成功对齐不同的特征分布，同时保留换能器特定信息，以实现通用的自由手超声体积重建。