26、基于图的无传感器徒手 3D 超声与基于 7T MRI 标记引导的 3T 脑 MRI 分割学习

基于图的无传感器徒手 3D 超声与基于 7T MRI 标记引导的 3T 脑 MRI 分割学习

基于图的无传感器徒手 3D 超声

在医学超声成像领域，传统的 2D 超声在评估解剖结构方面存在一定局限性，而 3D 超声则能提供更全面的信息。不过，使用 3D 探头获取超声体积数据成本高且视野有限。因此，无传感器徒手 3D 超声技术应运而生，它利用传统 2D 探头，通过超声图像自身的信息进行帧的无传感器配准，实现了便捷且低成本的换能器跟踪。

无传感器徒手 3D 超声利用斑点去相关来估计 2D 图像对之间的小刚体运动，然后将这些运动估计组合起来，得到每个图像相对于第一个图像的位置。然而，这种方法容易积累测量偏差，影响轨迹估计的准确性。以往的研究主要集中在从源头上纠正偏差，但难以推广到真实图像。本文提出通过精心选择用于轨迹估计的测量集来减少误差积累。

具体方法如下：
1. 刚体运动估计
- 校准探头特定的高程斑点去相关模型：使用斑点体模以固定的规则高程间隔进行扫描，将图像划分为非重叠的斑块，测量对应斑块对之间的归一化互相关，对相同高程位移的测量值进行平均，得到局部经验斑点去相关曲线。
- 对于新的图像对，通过最大化相关性估计每个斑块的平面内运动，并从局部斑点去相关曲线的峰值相关性处读取平面外运动，然后使用最小二乘法从这些局部 3D 平移测量中找到刚体运动。
2. 基于图的轨迹估计
- 用有向图表示运动测量，顶点为帧，边为帧对之间的运动估计。
- 为了减少误差，使用约束最短路径算法生成随机轨迹，并估计其均值和方差。
- 平均多个解：假设运动测量存在随