LIBR+: Improving Intraoperative Liver Registration by Learning the Residual of Biomechanics-Based Deformable Registration

要約

手術環境は、器官の形状を術前に画像化された形状に手術中に位置合わせすることに独特の課題を課します。
生体力学的モデルベースの登録は依然として人気がありますが、深層学習ソリューションは、術中測定の希薄性と変動性、および手術中に取得できる臓器のグラウンドトゥルース変形が限られているため、依然として限定的です。
この論文では、線形弾性生体力学に基づく線形化反復境界再構成 (LIBR) 法を活用し、ディープ ニューラル ネットワークを使用してグラウンドトゥルース変形 (LIBR+) に対する残差を学習する、新しい \textit{ハイブリッド} 登録アプローチを提案します。
。
さらに、デュアルブランチ スプライン残差グラフ畳み込みニューラル ネットワーク (SR-GCN) を定式化して、まばらで変動する術中測定からの情報を同化し、3D 臓器の形状を通じて効果的に情報を伝播します。
大規模な術中肝臓登録データセットの実験では、術中肝臓登録に対する既存の厳格な、生体力学的モデルベースの非厳格な、深層学習ベースの非厳格なアプローチと比較して、LIBR+ によって達成される一貫した改善が実証されました。

要約(オリジナル)

The surgical environment imposes unique challenges to the intraoperative registration of organ shapes to their preoperatively-imaged geometry. Biomechanical model-based registration remains popular, while deep learning solutions remain limited due to the sparsity and variability of intraoperative measurements and the limited ground-truth deformation of an organ that can be obtained during the surgery. In this paper, we propose a novel \textit{hybrid} registration approach that leverage a linearized iterative boundary reconstruction (LIBR) method based on linear elastic biomechanics, and use deep neural networks to learn its residual to the ground-truth deformation (LIBR+). We further formulate a dual-branch spline-residual graph convolutional neural network (SR-GCN) to assimilate information from sparse and variable intraoperative measurements and effectively propagate it through the geometry of the 3D organ. Experiments on a large intraoperative liver registration dataset demonstrated the consistent improvements achieved by LIBR+ in comparison to existing rigid, biomechnical model-based non-rigid, and deep-learning based non-rigid approaches to intraoperative liver registration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google