研究應用深度迴歸神經網路於非座標系相關的肝臟形變計算

Abstract

現階段的影像系統，仍難以在肝臟微創手術中進行準確且即時的定位。為了解決此困境，肝臟微創手術的影像導引系統研究遂成為一個研究探討課題。在影像導引系統中，形變計算為相當關鍵的一個環節，旨在補償肝臟受到器械拉扯、搬動所造成的形變，使導引系統能夠及時定位肝臟內部結構的位置，如血管、腫瘤。過去利用有限元素法的形變計算研究仍面臨問題。其一是手術中的即時影像是受限的，難以提供足夠物理邊界條件；其二是受到準確度與運算速度的權衡限制，且須考慮個體差異。我們選擇利用深度迴歸神經網路，試圖以深度學習的方式進行形變的計算，並達成準確、速度與個體差異的要求。然而，過去研究中以深度學習進行形變計算往往遇到參考座標系的限制，其表現受制於訓練資料的參考坐標系。因此，我們也透過參數化的方式，使得回歸神經網路的表現不受到參考坐標系的影響。 我們透過模擬的形變數據以輔助迴歸神經網路的設計。同時，我們也藉這些形變數據探討了神經網路對於不同形變情境的差異性，是否具備一般化(適應)的能力。這些情境差異性包含：楊氏係數、標的的位置、組織的形狀大小、形變的狀態。透過這些模擬的實驗，我們也提出了訓練此回歸神經網路的建議。接著，我們利用此模擬數據訓練回歸神經網路，並應用於活體外豬肝的形變計算中。然此驗證尚未取得滿意的結果；不過，如果我們直接以活體外豬肝形變的數據訓練此神經網路，可以大幅改善形變計算的準確度。儘管此研究在未來仍有改善的空間，此嘗試確實是了一個嶄新的形變計算方法。