Boundary Constraint-free Biomechanical Model-Based Surface Matching for Intraoperative Liver Deformation Correction

要約

画像ガイド下肝臓手術では、3D-3D非剛体レジストレーション法が、点群として表現される術前モデルと術中表面との間のマッピングを推定する上で重要な役割を果たし、組織の変形という課題に対処する。通常、これらの手法には、有限要素モデル（FEM）として表現される生体力学モデルが組み込まれ、表面マッチング項を正則化するために使用される。本稿では、新しい3D-3D非剛体レジストレーション法を紹介する。従来の手法とは対照的に、本手法ではFEMをサーフェスマッチング項自体に独自に組み込むことで、推定変形がレジストレーションプロセス全体を通して幾何学的な一貫性を維持することを保証する。さらに、FEMにおいてゼロ境界条件や力のかかる位置を決定する必要性を排除します。これは、剛性マトリックスにソフトスプリングを統合し、力を肝臓表面全体に分散させることで達成される。ロバスト性をさらに向上させるために、力の大きさの勾配に着目した正則化技術を導入する。この正則化は空間的な滑らかさを与え、術中データの不規則なノイズのオーバーフィッティングを防ぐのに役立つ。最適化は、加速された近接勾配アルゴリズムによって達成され、最適なステップサイズを決定するために提案された方法によってさらに強化される。われわれの方法は、われわれが独自に開発したファントムで収集したデータと、一般に公開されている2つのデータセットを用いて、学習ベースの方法と、FEM正則化を特徴とする従来の方法の両方と評価・比較した。我々の手法は、一貫してベースライン手法を上回る、あるいは同等である。我々のコードとデータセットはhttps://github.com/zixinyang9109/BCF-FEM。

要約(オリジナル)

In image-guided liver surgery, 3D-3D non-rigid registration methods play a crucial role in estimating the mapping between the preoperative model and the intraoperative surface represented as point clouds, addressing the challenge of tissue deformation. Typically, these methods incorporate a biomechanical model, represented as a finite element model (FEM), used to regularize a surface matching term. This paper introduces a novel 3D-3D non-rigid registration method. In contrast to the preceding techniques, our method uniquely incorporates the FEM within the surface matching term itself, ensuring that the estimated deformation maintains geometric consistency throughout the registration process. Additionally, we eliminate the need to determine zero-boundary conditions and applied force locations in the FEM. We achieve this by integrating soft springs into the stiffness matrix and allowing forces to be distributed across the entire liver surface. To further improve robustness, we introduce a regularization technique focused on the gradient of the force magnitudes. This regularization imposes spatial smoothness and helps prevent the overfitting of irregular noise in intraoperative data. Optimization is achieved through an accelerated proximal gradient algorithm, further enhanced by our proposed method for determining the optimal step size. Our method is evaluated and compared to both a learning-based method and a traditional method that features FEM regularization using data collected on our custom-developed phantom, as well as two publicly available datasets. Our method consistently outperforms or is comparable to the baseline techniques. Our code and datasets will be available at https://github.com/zixinyang9109/BCF-FEM.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL