Enhancing fluoroscopy-guided procedures with neural network-based deformable organ registration

Amélioration des procédures guidées par fluoroscopie à l'aide d'un réseau de neurones pour le recalage déformable des organes Dans les interventions guidées par fluoroscopie, le manque de contraste empêche la visualisation directe des structures anatomiques essentielles.Les solutions existantes présentent des inconvénients significatifs: l'utilisation de CBCT augmente l'exposition aux radiations,tandis que les agents de contraste présentent des risques de toxicité pour les patients.Les techniques de recalage fluoroscopie-CT pourraient résoudre ces problèmes,mais la littérature existante s'est principalement concentrée sur la compensation du mouvement respiratoire.Or, pendant les interventions, l'action des cliniciens sur les organes est également source de déformations,rendant ces approches de recalage inefficaces.Pour répondre à ces défis, nous présentons une méthode de recalage déformable 2D-3D en temps réel adaptée aux interventions guidées par fluoroscopie.Notre approche par apprentissage profond s'intègre dans la pratique clinique courante, avec un temps d'entraînement minimal après l'acquisition du scanner préopératoire.Grâce à notre processus de génération de données agnostique, le réseau de neurones entraîné est capable de compenser des déformations arbitraires,en exploitant les informations de pose avec son module de rétroprojection 2D-3D.Les expériences sur des images fluoroscopiques simulées ont montré la capacité de notre méthode à apporter une visualisation en temps réel des vaisseaux sans agents de contraste.Sur des images fluoroscopiques réelles, notre méthode permet de compenser le mouvement respiratoire avec une précision médiane de 2,4 mm.Ces résultats démontrent le potentiel de la méthode proposée, établissant une base pour de futurs développements tout en motivant la conduite d'une validation clinique plus aboutie.