Implicit Neural Representations for Breathing-compensated Volume Reconstruction in Robotic Ultrasound

要約

超音波（US）画像診断は、非電離放射線を使用せず、広く利用可能であるため、腹部疾患の診断や病期分類に広く使用されている。しかし、術者間のばらつきが大きく、画像取得に一貫性がないため、広範なスクリーニングプログラムの普及を妨げている。ロボット超音波システムは、標準化された収集プロトコルと自動収集の可能性を提供する有望なソリューションとして登場した。さらに、これらのシステムでは、ロボット追跡による3Dデータへのアクセスが可能であり、超音波判読の向上と正確な疾患診断のための体積再構成が強化されている。しかし、腹部画像の3D US再構成の解釈可能性は、患者の呼吸運動によって影響を受ける可能性がある。本研究では、暗黙的な神経表現を活用することで、3D USコンパウンドにおける呼吸運動を補正する方法を紹介する。我々のアプローチは、自動スクリーニングのためのロボット超音波システムを用いる。本手法の有効性を実証するために、代表的なユースケースとして、腹部大動脈瘤の診断とモニタリングに対して提案手法を評価する。我々の実験により、提案するパイプラインが、ロバストな自動ロボット撮影を容易にし、呼吸運動によるアーチファクトを軽減し、スクリーニングと医療診断の強化のために、より滑らかな3D再構成をもたらすことが実証された。

要約(オリジナル)

Ultrasound (US) imaging is widely used in diagnosing and staging abdominal diseases due to its lack of non-ionizing radiation and prevalent availability. However, significant inter-operator variability and inconsistent image acquisition hinder the widespread adoption of extensive screening programs. Robotic ultrasound systems have emerged as a promising solution, offering standardized acquisition protocols and the possibility of automated acquisition. Additionally, these systems enable access to 3D data via robotic tracking, enhancing volumetric reconstruction for improved ultrasound interpretation and precise disease diagnosis. However, the interpretability of 3D US reconstruction of abdominal images can be affected by the patient’s breathing motion. This study introduces a method to compensate for breathing motion in 3D US compounding by leveraging implicit neural representations. Our approach employs a robotic ultrasound system for automated screenings. To demonstrate the method’s effectiveness, we evaluate our proposed method for the diagnosis and monitoring of abdominal aorta aneurysms as a representative use case. Our experiments demonstrate that our proposed pipeline facilitates robust automated robotic acquisition, mitigating artifacts from breathing motion, and yields smoother 3D reconstructions for enhanced screening and medical diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL