Dense Error Map Estimation for MRI-Ultrasound Registration in Brain Tumor Surgery Using Swin UNETR

要約

脳腫瘍の早期外科的治療は、患者の死亡率を下げるために重要です。
ただし、手術中に脳組織の変形（ブレインシフトと呼ばれます）が発生し、術前の画像が無効になります。
費用対効果が高くポータブルなツールである術中超音波検査 (iUS) は脳の変化を追跡でき、正確な MRI-iUS 登録技術により術前計画を更新し、iUS の解釈を容易にすることができます。
これにより、雄弁な領域を回避しながら腫瘍の除去を最大限に高めることができ、手術の安全性と結果を向上させることができます。
ただし、MRI-iUS 登録結果をリアルタイムで手動で評価することは難しく、データの 3D 特性によりエラーが発生しやすくなります。
モーダル間医療画像登録結果の品質を定量化できる自動アルゴリズムは、非常に有益です。
したがって、我々は、iUS ガイド下脳腫瘍切除における MRI-iUS 登録のための 3D パッチごとの高密度エラー マップを自動的に評価し、そのパフォーマンスを実際の臨床データで示す Swin UNETR を使用した新しいディープラーニング (DL) ベースのフレームワークを提案します。
初めて。

要約(オリジナル)

Early surgical treatment of brain tumors is crucial in reducing patient mortality rates. However, brain tissue deformation (called brain shift) occurs during the surgery, rendering pre-operative images invalid. As a cost-effective and portable tool, intra-operative ultrasound (iUS) can track brain shift, and accurate MRI-iUS registration techniques can update pre-surgical plans and facilitate the interpretation of iUS. This can boost surgical safety and outcomes by maximizing tumor removal while avoiding eloquent regions. However, manual assessment of MRI-iUS registration results in real-time is difficult and prone to errors due to the 3D nature of the data. Automatic algorithms that can quantify the quality of inter-modal medical image registration outcomes can be highly beneficial. Therefore, we propose a novel deep-learning (DL) based framework with the Swin UNETR to automatically assess 3D-patch-wise dense error maps for MRI-iUS registration in iUS-guided brain tumor resection and show its performance with real clinical data for the first time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google