摘要
图像引导血管内介入手术(IGEVI)广泛用于治疗脑血管疾病，手术中使用影像引导来导航导管和导丝。通常，术前会获取3D影像以可视化整个血管结构和病变用于治疗规划，而术中2D影像则提供实时引导。融合这些成像模态可在IGEVI期间实现精准导航和精确定位。为提高手术效率，我们提出了一种全自动框架，将脑血管分割与3D-2D配准相结合。该分割方法采用深度学习模型，其特征是具有双路径编码器，包括用于捕获空间特征的卷积路径和用于提取上下文信息的多头自注意力变换器路径。配准方法使用可微分操作估计6自由度（3个旋转和3个平移）源位姿，该操作能够对分割后的血管结构进行基于梯度的优化。所提出的框架使用公开可用的COSTA数据集进行训练和测试，该数据集包含从多个中心收集的六个子数据集。分割模型分别在294张和61张TOF-MRA影像上进行训练和测试。该方法在Dice相似系数(DSC)、敏感度和精确度方面分别达到0.901±0.020、0.912±0.026和0.891±0.035（均值±标准差），在所有测试案例中均优于3D Unet和SwinUnetr。较低的方差表明在不同子数据集上分割性能一致。配准是在61张测试影像的3D血管体积沿前后方向前向投影生成的模拟2D数字重建放射影像上进行的。配准的初始位姿是从真实源位姿随机偏移的，并使用结合归一化互相关和中心线DSC的损失函数进行位姿估计。配准得到的旋转和位移误差分别为1.731±3.385°和1.028±1.827毫米。实验结果表明，该方法在分割和具有挑战性的单视角3D-2D配准方面表现出良好的性能，展示了其在真实IGEVI手术中应用的强大学习潜力。
【全文结束】
