文献阅读-ICRA2020-血管内介入治疗中考虑光流引导弯曲的 端到端实时导管分割

文章序号、所属单元及链接：1206-Computer Vision for Medical Robots
一作所属单位：Imperial College London
读后体会：论文创新点：时间一致性、光流法。

)

Abstract

准确的实时导管分割是机器人辅助血管内介入治疗的重要先决条件。由于真实注释的困难，大多数现有的基于学习的导管分割和跟踪方法仅在小规模数据集或合成数据上进行训练。此外，术中成像序列的时间连续性没有得到充分利用。在本文中，我们介绍了FW-Net，这是一种用于血管内介入的端到端实时深度学习框架。提出的FW-Net具有三个模块：具有编码器-解码器体系结构的分割网络，用于提取光流信息的流网络，以及用于学习帧到帧时间连续性的新颖的流引导弯曲功能。我们表明，通过有效地学习时间连续性，网络可以仅使用原始地面实况进行训练就可以成功地实时分割和跟踪导管。详细的验证结果证实，我们的FW-Net在实现实时性能的同时，优于最新技术。

Introduction

与传统的开放式外科手术方法相比，在心血管外科手术中，血管内介入治疗具有许多优势，包括切口更小，患者的创伤更少，局部麻醉而不是全身麻醉，稳定性，更重要的是，降低了合并症患者的风险 。血管内干预涉及操纵导管和导丝以到达脉管系统中的目标区域以进行治疗（例如，支架植入，消融或药物输送）。此类任务需要高水平的技术技能，以免损坏血管壁，否则可能导致穿孔和出血，解剖或器官衰竭，所有这些可能都是致命的。尽管它们具有相对优势，但血管内手术仍存在一些局限性，例如有限的感官反馈，视觉运动轴(visuo-motor axes)的未对齐以及操作者的高度灵活性。机器人技术和计算机辅助已被集成到临床工作流程中，以提高技巧和精度来增强外科技能。

作为机器人辅助干预的先决条件，导管分割的任务可以为外科医生提供基本的视觉或触觉反馈。例如，在中，基于基于视觉的力感知的方法被用于导管和脉管尖端位置检测。然而，在常规实践中，不仅通过导管末端与血管壁的接触，而且整个导管与内皮壁之间的接触，对血管造成损害。因此，整个导管的描绘和跟踪是必不可少的。然而，出于两个主要原因，自主导管分割并不是一件容易的事。首先，在X射线图像中，导管由于对比度低而容易与其他类似的线性结构（如血管）混淆。其次，在临床试验期间，导管和导线可能会突然发生大变形运动。这导致了一个事实，即基于导管外观原始特征的传统方法的通用性有限，无法在实时和动态手术环境中对导管进行分割。