基于全卷积网络的实时无对比剂2D-3D可变形配准方法在肝脏介入导航中的应用研究

为解决X射线引导下肝脏介入治疗中因组织对比度低需反复注射对比剂(CA)的问题，法国研究团队提出了一种基于全卷积网络(FCN)的域无关2D-3D可变形配准方法。通过高斯核生成合成训练数据集，该方法能准确预测呼吸运动及手术器械引起的任意变形，在猪模型和合成人体数据集中实现血管树投影Dice系数提升50%以上，为无对比剂实时导航提供了新方案。

　　

在肝脏疾病治疗领域，X射线荧光透视引导的介入手术面临重大挑战：由于软组织对比度差，临床医生不得不反复注射具有肾毒性的碘对比剂(CA)来显影血管结构。这不仅增加患者风险，还因对比剂快速消散导致影像引导异步——当医生需要操作时，血管显影已消失。更棘手的是，肝脏在手术中会同时受到呼吸运动和器械操作的双重影响，产生复杂变形，而现有基于统计运动模型的方法仅能预测周期性呼吸运动，无法处理手术引起的任意变形。

针对这一临床痛点，法国斯特拉斯堡大学的研究团队在《Medical Image Analysis》发表创新研究，开发出首个能同时处理生理性和手术性变形的域无关(domain-agnostic)2D-3D配准方法。该方法通过随机高斯核生成合成训练数据，结合新型反投影模块，仅需单幅无对比剂荧光图像即可实时预测三维位移场，在猪模型实验中使血管配准Dice系数从0.43提升至0.65，在模拟呼吸运动数据中达到0.86，性能媲美专用呼吸运动预测算法IGCN+。

关键技术包括：1）使用随机高斯核生成平滑微分同胚的合成位移场；2）开发考虑投影几何的反投影模块，将2D特征转换为3D解剖空间特征；3）创新性采用投影空间监督的混合损失函数（2D重投影MSE+2D Dice损失）；4）基于DeepDRR框架生成数字重建放射影像(DRR)作为训练数据；5）应用数据增强策略缓解"模拟-真实"域差异。实验使用4组猪的术前/术后对比增强CT(CECT)和50例合成呼吸运动/穿刺变形数据验证。

【数据生成】通过LDDMM框架启发的方法，用30个随机控制点生成位移矢量场(DVF)，结合非对比CT图像和DRR生成器构建20,000组训练样本。其中关键创新是摒弃传统统计运动模型，采用完全随机但满足微分同胚条件的变形生成策略。

【网络架构】基于ResNet的编码器-反投影模块-解码器结构，反投影模块利用C-arm位姿矩阵将2D特征映射到3D空间，实现输入像素与体素的空间对应。网络在NVIDIA RTX 4090上仅需12ms即可完成预测，满足实时要求。

【实验结果】在临床相关场景中展现出三大优势：1）在猪肝穿刺实验中，成功恢复最大6cm的器械致变形；2）在呼吸运动测试集上达到0.863±0.047的Dice系数，与专用算法IGCN+(0.879±0.044)相当；3）在50步针穿刺模拟中保持0.8的稳定性能，而IGCN+因训练数据不匹配骤降至0.696。特别值得注意的是，通过训练时随机叠加针具影像，网络能自动忽略穿刺针干扰，证明其临床实用性。

【方法优势】敏感性分析揭示关键设计选择：1）投影空间监督比3D监督提升效果显著（ΔDice>0.15）；2）反投影模块使输入扰动的影响范围缩小60%；3）λ=0.5的混合损失权重实现最佳鲁棒性；4）数据增强使部分案例性能提升达30%。与传统方法相比，该框架突破性地实现了"一次训练，多场景适用"，既能处理周期性呼吸运动，又能适应手术器械引起的非周期性大变形。

这项研究为介入放射学带来重要突破：首次证明无需对比剂或植入标记物，仅通过术前CT和单视角荧光图像即可实现血管树的实时三维跟踪。其域无关特性尤其适用于肿瘤消融、TIPS等复杂手术场景，有望将荧光导航从"间歇显影"转变为"持续可视"模式。未来通过结合生物力学模型和临床荧光数据验证，该方法或将成为减少对比剂相关并发症的新标准。