基于深度哈希的腹腔镜肝手术术前CT与术中视频图像全局配准方法研究

为解决腹腔镜肝手术中CT与视频图像配准依赖人工初始化的问题，研究人员提出了一种基于深度哈希（DH）的内容检索框架，通过预渲染CT视图生成哈希数据库，实现术中图像的快速自动配准。实验表明，该方法在体模和临床数据中均能获得可接受的配准误差（体模误差21.9±6.7 mm），7/8病例达到临床可用水平，为增强现实（AR）技术临床转化提供了新思路。

　　

腹腔镜肝手术中，将术前CT与术中视频实时配准是实现增强现实（AR）导航的关键，但现有方法严重依赖人工初始化或特定视角的肝轮廓特征，制约了技术转化。伦敦大学学院（UCL）团队在《International Journal of Computer Assisted Radiology and Surgery》发表研究，创新性地将深度哈希（DH）引入该领域。

研究团队设计了一套基于内容检索（CBIR）的配准流程：预渲染百万级CT视图构建哈希数据库，通过三重态对比学习训练Siamese网络提取肝轮廓（右/左叶前脊、镰状韧带、肝轮廓）的64维哈希编码。术中通过最近邻搜索匹配哈希码，结合加权Hausdorff距离筛选最优位姿。技术亮点包括：采用仿射剪切和随机遮挡模拟术中变形，损失函数融合对比损失（L_c）、重建损失（L_r）和二值化损失（L_b）。

方法验证

• 体模实验：合成数据误差8.0±15.3 mm（k=20），真实视频误差主要来自Z轴深度歧义（14.2±7.1 mm）
• 临床数据：7/8病例实现临床可用配准，其中4例优于人工对齐，单帧处理仅需4.5秒

讨论与意义
该研究首次将DH应用于2D-3D手术配准，其自监督特性避免了配对数据需求。虽然当前需20小时/例的预计算耗时，但相比传统2:30分钟/次的人工操作显著提升效率。未来通过多患者联合训练和深度信息融合，有望进一步解决大变形场景（如病例4）的配准难题，推动AR技术在复杂肝切除术中的普及应用。