[论文解读] Robotic Ultrasound Makes CBCT Alive

Feng Li, Ziyuan Li+3 more|arXiv (Cornell University)|Mar 10, 2026

Soft Robotics and Applications被引用 0

一句话总结

论文提出 USCorUNet，一种基于机器人超声的框架，在实时更新中实现对静态 CBCT 层切片的形变感知更新，从而实现形变一致的术中引导并降低辐射。相比 RAFT 和 LC2-FFD 基线，在超声引导的 CBCT 更新的准确性与效率方面具有优势。

ABSTRACT

Intraoperative Cone Beam Computed Tomography (CBCT) provides a reliable 3D anatomical context essential for interventional planning. However, its static nature fails to provide continuous monitoring of soft-tissue deformations induced by respiration, probe pressure, and surgical manipulation, leading to navigation discrepancies. We propose a deformation-aware CBCT updating framework that leverages robotic ultrasound as a dynamic proxy to infer tissue motion and update static CBCT slices in real time. Starting from calibration-initialized alignment with linear correlation of linear combination (LC2)-based rigid refinement, our method establishes accurate multimodal correspondence. To capture intraoperative dynamics, we introduce the ultrasound correlation UNet (USCorUNet), a lightweight network trained with optical flow-guided supervision to learn deformation-aware correlation representations, enabling accurate, real-time dense deformation field estimation from ultrasound streams. The inferred deformation is spatially regularized and transferred to the CBCT reference to produce deformation-consistent visualizations without repeated radiation exposure. We validate the proposed approach through deformation estimation and ultrasound-guided CBCT updating experiments. Results demonstrate real-time end-to-end CBCT slice updating and physically plausible deformation estimation, enabling dynamic refinement of static CBCT guidance during robotic ultrasound-assisted interventions. The source code is publicly available at https://github.com/anonymous-codebase/us-cbct-demo.

研究动机与目标

• 促使在手术中对 CBCT 与机器人超声进行形变感知的整合，以应对干预过程中的组织运动。
• 开发一个轻量级网络（USCorUNet），以估计密集的双向超声诱导形变场。
• 在保持物理可行性的前提下，利用超声导出的形变实时更新 CBCT 层切片。
• 在体内、仿体和组织-仿体数据集上验证该方法，并与 RAFT 与经典基线进行比较。

提出的方法

• 对刚性 CBCT–超声对准进行标定并结合 LC2 多模态相似性来修正残余姿态误差。
• 提出 USCorUNet，一种轻量级的双向相关增强网络，输入 [I0, I1, I1−I0, |∇I0|, |∇I1|]，输出密集前向/后向形变场 F01, F10。
• 在双向目标下，用光流蒸馏、置信度加权的光度损失以及边缘感知、雅可比折叠等正则化来训练 USCorUNet。
• 从 RAFT 蒸馏伪标签，并采用分段策略选择更优的形变候选。
• 将估计的形变转移到 CBCT 层切片，应用探头激励校正与 EDT 基于空间加权，生成形变一致的 CBCT 更新。
• 在 MAE、NCC、前后向一致性、折叠现象、骨块掩模 Dice 与更新质量方面，将 USCorUNet 与 RAFT 和 LC2-FFD 基线进行比较。

实验结果

研究问题

• RQ1 一个形变感知的 CBCT 更新框架能否在超声引导干预中可靠跟踪组织运动？
• RQ2 一个轻量级、针对超声优化的网络（USCorUNet）是否在密集形变场的实时估计方面优于最先进的光流方法？
• RQ3 刚性标定修正、相关特征与物理启发的正则化对形变与 CBCT 更新的质量与物理合理性有何影响？
• RQ4 在不同体内与仿体数据集上，探头诱发和外部诱发形变下，超声引导的 CBCT 更新表现如何？

主要发现

• USCorUNet 在形变精度方面达到与 RAFT 相当或更好，同时显著提升效率（运行时间更短）。
• 双向形变估计使前向/后向残差降低约 53%，并减少基线模型在 Table 1 中的折叠伪影。
• 对模型进行微调、针对不同工作模式的模型可进一步提升前向/后向一致性并降低探头诱发及外部诱发运动的非物理性失真（Table 3）。
• 使用 USCorUNet 的超声引导 CBCT 更新在多种方法中实现最佳的质量–效率权衡，端到端运行时间比 RAFT 更快，而比 LC2-FFD 快得多（Table 4）。
• USCorUNet 在形变扭曲 CT 体积的 Dice 与 SSIM 权衡上表现更佳，在体内与仿体数据集上产生更为合理的形变场（Tables 1–4）。
• USCorUNet 在多组数据集（A–D）上表现出鲁棒性，包括体内前臂/上臂以及各种仿体，亦覆盖外部诱发形变场景（Sections 3.1–3.3）。