X射线至体积登记的快速患者特定神经网络

本期编译精选。【导语】图像制导干预和外科机器人方面的先进导航技术要求将三维(3D)前操作体积（如计算成的成像和磁共振成像）与二维(2D)内操作体积（如X射线氟镜）1。2进行快速和精确的对接。## 摘要

图像制导干预和外科机器人方面的先进导航技术要求将三维(3D)前操作体积（如计算成的成像和磁共振成像）与二维(2D)内操作体积（如X射线氟镜）1。2进行快速和精确的对接。然而，现有的2D/3D登记方法未能在氟镜制导程序的广泛范围中通用：基于强度的优化器需要每个单高参数调3、4。因此，而深层学习方法则需要大量人工标注的数据集，并且仍然受培训的具体解剖学的限制。因此，在此，为了解决这些局限性，我们提出了xvr——一个自我监督的框架，将患者特定神经网络与基于梯度的优化结合起来，用于自动2D/3D注册。因此，xvr使用基于物理学的模拟从患者自己的操作前扫描中生成训练数据，从而消除了手动注释的需要。因此，我们提出一个基础模型 预先在数千个全身扫描上进行训练，实现患者 针对任何解剖区域 只需5分钟的微调。因此，据我们所知，迄今为止对2D/3D真实氟化物的登记所作的最大评价，xvr在各种解剖结构、体积成像方式和医院之间以秒计实现了高精度，使现有方法的准确性按数量级提高。因此，xvr使得泛解剖学2D/3D刚性地注册通过开源的软件在线向广泛的临床和研究社区开放。因此，这是订阅内容的预览。因此，通过您的机构访问

访问选项

通过您的机构访问

自然杂志和54个其他自然杂志

Get Nature+。因此，我们最有价值的在线订阅

27 99欧元/30天

随时取消

中国客户订阅信息

（原文共 10 张图片。因此，此处展示前 3 张，更多图片请前往原文查看）

（编译自 Nature；原文