Rapid patient-specific neural networks for intraoperative X-ray to volume registration

要約

画像誘導介入における人工知能の統合は、変革の可能性をもたらし、複雑な手順中に従来の2Dイメージングモダリティから3D幾何学的および定量的情報を抽出することを約束します。
これを達成するには、3D術前のボリューム（CT、MRIなど）を備えた2D術中画像（X線など）の迅速かつ正確な整列が必要です。
ただし、現在の2D/3D登録方法は、X線ガイダンスに依存する幅広い手順全体で失敗します。従来の最適化手法は、各被験者のカスタムパラメーターチューニングを必要としますが、小さなデータセットでトレーニングされたニューラルネットワークは新しい患者に一般化することはなく、労働集約的なマニュアル注釈、臨床的負担の増加、新しい麻薬の標的へのアプリケーションの増加を必要としません。
これらの課題に対処するために、2D/3D登録のために患者固有のニューラルネットワークをトレーニングするための完全に自動化されたフレームワークであるXVRを提示します。
XVRは、物理ベースのシミュレーションを使用して、患者自身の術前体積イメージングから豊富な高品質のトレーニングデータを生成し、それにより、新しい患者と手順に一般化する監督モデルの本質的に限られた能力を克服します。
さらに、XVRは患者ごとに5分間のトレーニングを必要とするため、緊急介入と計画された手順に適しています。
これまでの実際のX線データに関する2D/3D登録アルゴリズムの最大の評価を実行し、複数の解剖学的構造、イメージングモダリティ、および病院で構成される多様なデータセット全体でXVRが堅牢に一般化することがわかります。
外科的タスク全体で、XVRは術中の速度で亜科の蓄積登録を達成し、既存の方法を数桁改善します。
XVRは、https://github.com/eigenvivek/xvrで無料で入手できるオープンソースソフトウェアとしてリリースされます。

要約(オリジナル)

The integration of artificial intelligence in image-guided interventions holds transformative potential, promising to extract 3D geometric and quantitative information from conventional 2D imaging modalities during complex procedures. Achieving this requires the rapid and precise alignment of 2D intraoperative images (e.g., X-ray) with 3D preoperative volumes (e.g., CT, MRI). However, current 2D/3D registration methods fail across the broad spectrum of procedures dependent on X-ray guidance: traditional optimization techniques require custom parameter tuning for each subject, whereas neural networks trained on small datasets do not generalize to new patients or require labor-intensive manual annotations, increasing clinical burden and precluding application to new anatomical targets. To address these challenges, we present xvr, a fully automated framework for training patient-specific neural networks for 2D/3D registration. xvr uses physics-based simulation to generate abundant high-quality training data from a patient’s own preoperative volumetric imaging, thereby overcoming the inherently limited ability of supervised models to generalize to new patients and procedures. Furthermore, xvr requires only 5 minutes of training per patient, making it suitable for emergency interventions as well as planned procedures. We perform the largest evaluation of a 2D/3D registration algorithm on real X-ray data to date and find that xvr robustly generalizes across a diverse dataset comprising multiple anatomical structures, imaging modalities, and hospitals. Across surgical tasks, xvr achieves submillimeter-accurate registration at intraoperative speeds, improving upon existing methods by an order of magnitude. xvr is released as open-source software freely available at https://github.com/eigenvivek/xvr.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google