摘要
手术中肝脏的精确配准因软组织变形显著且手术中测量稀疏而极具挑战性。生物力学模型通过先验知识来正则化这一病态问题，但由于简化假设，预测偏差持久存在；而数据驱动的学习解决方案在数据效率、泛化能力和物理合理性上则面临困难。我们提出了一种混合配准框架，通过稀疏的手术中对应关系来调整生物力学先验。
方法
该方法并非学习完整的变形场，而是学习一个残余变形函数，修正线性生物力学预测。我们将其建模为图神经扩散函数，利用几何感知注意力在 3D 肝脏网格上进行操作。为了实现稀疏观测的长距离信息传递，我们从新的视角看待稀疏的手术中测量，将其视为上下文样本，输入-输出对的残余变形函数被完全观察到。这一问题被转化为从手术中上下文样本中学习残余函数的学习任务，采用前馈元学习方法。
实验
在一个可变形肝脏模型数据集上的实验表明，与刚性、生物力学和数据驱动的基线相比，该方法在配准精度和泛化能力上有显著提升，尤其是在分布外几何形状和变形情形下表现优异。
博主点评： 该研究通过将生物力学模型与元学习相结合，开创了一种新的手术配准方法，有效克服了传统方法的局限，具有重要的临床应用潜力。