[論文レビュー] Real-time Prediction of Soft Tissue Deformations Using Data-driven Nonlinear Presurgical Simulations

Haolin Liu, Ye Han+5 more|arXiv (Cornell University)|Oct 26, 2020

Medical Imaging and Analysis参考文献 25被引用数 4

ひとこと要約

本論文は、画像誘導手術における疎に登録されたフィducialマーカーを用いたリアルタイムでの柔軟組織変形予測のためのデータ駆動型人工ニューラルネットワーク（ANN）手法を提案する。有限要素法（FEM）で生成された変形ベンチマークと主成分分析（PCA）による次元削減を活用することで、予測時間0.5秒未塔で1.0 mm未塔の精度（98%のケースで平均オフセット＜1.0 mm）を達成し、手術内での柔軟組織追跡において強い臨床的潜在能力を示している。

ABSTRACT

Imaging modalities provide clinicians with real-time visualization of anatomical regions of interest (ROI) for the purpose of minimally invasive surgery. During the procedure, low-resolution image data are acquired and registered with high-resolution preoperative 3D reconstruction to guide the execution of surgical preplan. Unfortunately, due to the potential large strain and nonlinearities in the deformation of soft biological tissues, significant mismatch may be observed between ROI shapes during pre- and intra-operative imaging stages, making the surgical preplan prone to failure. In an effort to bridge the gap between the two imaging stages, this paper presents a data-driven approach based on artificial neural network for predicting the ROI deformation in real-time with sparsely registered fiducial markers. For a head-and-neck tumor model with an average maximum displacement of 30 mm, the maximum surface offsets between benchmarks and predictions using the proposed approach for 98% of the test cases are under 1.0 mm, which is the typical resolution of high-quality interventional ultrasound. Each of the prediction processes takes less than 0.5 s. With the resulting prediction accuracy and computational efficiency, the proposed approach demonstrates its potential to be clinically relevant.

研究の動機と目的

• 画像誘導手術における術前3次元再構成と術中イメージングの間の柔軟組織変形の不一致という課題に対処すること。
• 疎な術中フィducialマーカー情報と大きな非線形組織ひずみにもかかわらず、リアルタイムかつ高精度な変形予測を可能にすること。
• 手術中に繰り返し有限要素法（FEM）シミュレーションを実行することが計算的に非現実的であるのを克服し、高速で学習されたモデルに置き換えること。
• 高い精度を維持しつつ多様な変形シナリオに適応できる、臨床的実用性のある患者特異的フレームワークを構築すること。
• FEMで生成されたベンチマークデータでトレーニングされた人工ニューラルネットワークを用いて、リアルタイムでの柔軟組織再構成が可能であることを実証すること。

提案手法

• 頭頸部腫瘍の術前3次元患者特異的モデルを用い、メッシュノードをフィducialマーカー（FMs）として選択する。
• さまざまな荷重条件下でのFMsの変位を追跡する、非線形FEMシミュレーションの大規模データセットを生成する。
• 変位場に対して主成分分析（PCA）を適用し、変形モードの低次元表現（主成分）を抽出する。
• 人工ニューラルネットワーク（ANN）を、PCA係数と対応するFM変位のデータセット上でトレーニングし、疎なFMデータから全変形場へのマッピングを学習する。
• 手術中に、術中FM位置のみを入力として与えると、トレーニング済みのANNがリアルタイムで全変形した柔軟組織の配置を予測する。
• 物理ベースのFEMシミュレーションをデータ生成に活用し、機械学習による高速推論を実現することで、リアルタイム性能を達成する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型ANNモデルは、僅かなフィducialマーカー情報のみを用いて、リアルタイムかつ1mm未塔の精度で柔軟組織変形を予測できるか？
• RQ2 本手法が従来のリッジ回帰と比較して、精度と速度の両面で優れているか？
• RQ3 異なる力場戦略で生成された未観測の変形シナリオに対し、トレーニング済みのANNはどの程度一般化できるか？
• RQ4 精度と推論速度のバランスを最適化する観点から、ANNの最適なアーキテクチャ（隠れ層サイズと主成分数）は何か？
• RQ5 頭頸部手術で一般的な複雑で大きなひずみを伴う変形においても、本手法は高い精度と低遅延を維持できるか？

主な発見

• テストケースの98%において、予測された変形形状とベンチマーク形状との間の最大表面オフセットが1.0 mm未塔であり、高品質な介入的超音波の解像度に一致する。
• 全テストケースにおける平均予測時間は0.5秒未塔であり、優れたリアルタイム性能を示している。
• 提案手法のANNは、精度と速度の両面でリッジ回帰を上回り、平均および最大オフセットが顕著に低かった。
• 最適なANNアーキテクチャは[128, 64]の隠れ層構成であり、再構成精度とトレーニング時間の両面で最良のトレードオフを達成した。
• 異なる力場戦略で生成された未観測の変形シナリオに対しても、モデルは良好な一般化性能を示し、強固さと一般化能力を確認した。
• 最大30 mmの変位を伴う複雑な大変形ケースに対しても、腫瘍の最大寸法に対する相対誤差1.5%という高い精度を維持した。