编辑推荐：
在腹部介入手术中，实现 2D 超声（US）与 3D 计算机断层扫描（CT）精准配准面临挑战。研究人员提出 DiSCUSS 模型，利用 CT 数据生成合成 US 图像并进行域自适应。实验验证该模型能精准配准，对手术导航意义重大。
在医学领域，精准的影像融合对于提高手术成功率、改善患者预后至关重要。特别是在腹部介入手术中，2D 超声（US）和 3D 计算机断层扫描（CT）各有优劣。US 能实时成像且无辐射，但成像质量有限且为二维；CT 虽能提供详细的人体结构信息，却无法实时引导手术。将二者结合，本可发挥巨大优势，然而，实现精准配准却困难重重。传统的追踪方法依赖高精度传感器，成本高昂，在复杂手术环境中还容易受到各种干扰。基于深度学习的自动配准方法，要么依赖大量手动标注数据进行训练，要么难以跨越不同成像域之间的差异。这些问题严重阻碍了 CT-US 影像融合技术在临床中的广泛应用。
为了解决这些难题，国内研究人员开展了关于 “基于自监督学习与合成 - 真实域自适应的扩散激发 CT-US 配准模型” 的研究。他们提出了一种名为 DiSCUSS 的模型，经过一系列实验验证，该模型能够实现 CT 和 US 图像的实时、独立于追踪器且稳健的刚性配准。这一成果对于提高腹部介入手术的精准度、减少手术时间具有重要意义，相关研究成果发表在《Computerized Medical Imaging and Graphics》。
研究人员开展研究时用到了几个主要关键技术方法。首先，利用 US 的物理扩散特性，从术前 CT 数据生成合成 US 图像。其次，引入扩散模型进行合成 - 真实域自适应，减少合成与真实 US 图像之间的差异。最后，采用双流自监督回归神经网络，在合成图像上训练以估计 CT 空间中的姿态 。研究中使用了 BTCV 数据集训练模型，并补充了志愿者的腹部 US 数据。
研究结果
- 合成数据集生成：研究人员利用 US 成像的物理扩散特征，生成了 2D 物理 US（pUS）图像的合成数据集。通过这种方式，有效解决了带真实标注数据有限的问题，为后续模型训练提供了丰富的数据支持。
- 域自适应策略：运用扩散模型将真实 US（rUS）图像的风格转移到 pUS 域。这一策略在保留 rUS 更多空间结构细节的同时，最大限度地缩小了 US 与 CT 之间的模态差距，使得模型在处理不同模态图像时更加准确和稳定。
- 频率域指导优化：引入频率域指导进行域自适应，进一步增强了模型在真实操作环境中的鲁棒性和精度。这一优化使得模型能够更好地适应复杂多变的临床场景，提高了 CT-US 配准的可靠性。
- 模型性能验证：利用双模态人体腹部模型的合成数据集，对 DiSCUSS 模型进行评估，并与传统基于优化的配准方法以及当代数据驱动的深度学习模型进行全面性能比较。结果表明，DiSCUSS 模型能够在可接受的误差范围内准确初始化 US 图像姿态，并进一步优化实现精确对齐。
研究结论与讨论
本研究成功解决了肝脏 CT-US 配准这一具有挑战性的任务。DiSCUSS 模型利用术前 CT 数据生成 pUS，并借助扩散模型进行域自适应，克服了传统方法在实时性能和鲁棒性方面的局限，以及基于生成模型的配准方法难以处理 US 和 CT 模态差异的问题。该模型能够实现实时、稳健的 US 探头姿态预测，对机器人辅助介入手术中的导航具有重要意义，有望在临床腹部介入手术中得到广泛应用，为提高手术成功率和患者的治疗效果提供有力支持。
