arXiv:2606.19767v1 eess.IV

두경부 수술 가이던스를 위한 매개변수 특성화와 윤곽 제약 변형 가능 정합

Contour-Constrained Deformable Registration with Parameter Characterization for Head and Neck Surgical Guidance

Qingyun Yang, Jon S. Heiselman, Ayberk Acar, Morgan J. Ringel, Michael I. Miga, Matthieu Chabanas, Michael C. Topf, Jie Ying Wu

제출 2026-06-18

한국어 초록

전 세계적으로 연간 89만 건의 신규 환자가 발생하는 두경부 편평상피세포암은 고형 악성 종양 중 재발률이 가장 높은 질환 중 하나입니다. 동결 절편 분석은 수술 중 마진(margin) 평가의 표준이지만, 절제된 검체와 절제면 사이의 부정확한 정렬과 절제 후 점막 조직의 수축으로 인해, 검출된 양성 마진을 절제면에서 정확히 재배치하는 것은 여전히 어렵습니다. 우리는 수술 중 가이던스를 제공하기 위해 절제 후 조직 변형을 교정하는 생체역학 기반 변형 가능 정합 프레임워크를 제안합니다. 우리의 접근 방식은 정규화(regularization)된 켈빈릿(Kelvinlet) 기저 함수를 기반으로 하는 변형 가능 정합 방법을 사용하여 3D 검체 메시를 수술 중 절제면 포인트 클라우드에 정합합니다. 이 정합은 표면 포인트 클라우드, 기준 표식(fiducial landmarks), 그리고 검체와 절제면 경계 사이의 수직 거리 차이를 직접 페널티로 부여하는 경계 윤곽 제약을 일치시킵니다. 피부, 볼 점막, 혀 부위의 9개 검체에 대해, 강체 정합을 사용했을 때 전체 평균 표적 정합 오차는 $11.11 \pm 4.07$ mm였으나, 윤곽 제약이 없는 변형 가능 정합을 사용하면 $8.20 \pm 2.68$ mm(26.19% 감소)로 감소했습니다. 제안된 윤곽 제약 변형 가능 정합은 오차를 $5.62 \pm 2.28$ mm로 더욱 감소시켰으며, 이는 강체 정합 대비 49.41%의 감소입니다. 우리는 임상적으로 가장 어려운 혀 검체에서 가장 큰 감소를 관찰했습니다. 또한, 우리는 표면 정렬, 기준 표식 대응, 윤곽 제약, 변형 에너지 정규화의 상대적 중요성을 특성화하기 위해 체계적인 2단계 매개변수(parameter) 탐색을 수행했습니다. 이 탐색 결과, 측면 변형이 큰 조직 유형의 경우 윤곽 가중치가 정합 정확도를 지배한다는 것이 밝혀졌으며, 알고리즘은 광범위한 매개변수 조합에 걸쳐 작동함을 확인했습니다.

원문 초록

With 890,000 annual new cases globally, head and neck squamous cell carcinoma has one of the highest recurrence rates among solid malignancies. Although frozen section analysis is the standard of care for intraoperative margin assessment, accurately relocating detected positive margins on the resection bed remains challenging due to imprecise alignment between resected specimens and their resection bed, compounded by post-resection mucosal tissue shrinkage. We present a biomechanics-driven deformable registration framework that corrects post-resection tissue deformation to provide intraoperative guidance. Our approach registers 3D specimen meshes to intraoperative resection bed point clouds using a deformable registration approach based on regularized Kelvinlet basis functions. The registration matches surface point clouds, fiducial landmarks, and boundary contour constraints that directly penalize perpendicular distance-to-agreement between specimen and resection bed boundaries. Across nine specimens from skin, buccal mucosa, and tongue sites, the overall mean target registration error was $11.11 \pm 4.07$ mm using rigid registration, which decreased to $8.20 \pm 2.68$ mm (26.19\% reduction) using deformable registration without contour constraint. The proposed contour-constrained deformable registration further reduced the error to $5.62 \pm 2.28$ mm, a 49.41\% reduction relative to rigid registration. We observed the largest reduction in the most clinically challenging tongue specimens. We also performed a systematic two-stage parameter search to characterize the relative importance of surface alignment, fiducial correspondences, contour constraint, and strain energy regularization. This search revealed that contour weighting dominates registration accuracy for tissue types with large lateral deformation, while the algorithm operates over a broad range of parameter combinations.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.19767v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.24725v1physics.med-ph공통 태그 Medical Image Analysis, deformable registration

적응형 양성자 방사치료에서 윤곽 불확실성을 반영한 치료일 영상 예측을 위한 디지털 트win 프레임워크

A digital-twin framework for forecasting treatment-day imaging with contour uncertainty in adaptive proton radiotherapy

6~7주에 걸친 양성자 치료 과정 동안 두경부 해부학은 변하며, 계획 수립 시점에는 이후 주차의 해부학을 영상으로 확보할 수 없다. 본 연구는 환자의 치료일 해부학을 전파된 윤곽을 포함한 예측 CT 앙상블로 예측하고, 예측 윤곽의 불확실성을 정량화하는 디지털 트win 프레임워크를 제안한다. 이 트win은 계획 CT와 주간 품질보증 CT(QACT)를 갖춘 기존 치료 환자들의 라이브러리로, 2단계 foundation model 기반 가변 정합(deformable registration)을 통해 환자 특이적으로 구성된다. 환자 간(field)은 라이브러리 환자 각각을 현재 환자에게 맞추고, 현재 환자 좌표계에서 추정한 종단(field)은 해당 환자의 계획–QACT 변화를 현재 환자의 계획 CT 위로 전달한다. 88명 환자로부터 302개 관측으로 이루어진 라이브러리는 환자당 약 300개의 복제본, 즉 실제 치료 환자에서 발생한 변형(deformation) 각각을 제공한다. 전파된 윤곽의 분산은 외향 법선 방향으로 해석되며, 밀리미터 단위의 6방향 윤곽 불확실성이다. 이는 모델 파라미터의 불확실성이 아니라, 현재 환자가 어떤 라이브러리 환자의 경로를 따를지에 대한 예측 입력의 불확실성이며, 정합 엔진을 교체해도 변하지 않는다. 두 QACT에 임상의가 그린 윤곽이 있는 10명 환자에서, 라이브러리만으로도 불확실성의 이방성 형상(4.5~6.2 mm)을 고정한다. 첫 QACT는 윤곽을 그리지 않아도 불확실성 폭을 3.2~3.6배 좁힌다. 승인된 윤곽은 중심은 개선하지만 폭은 개선하지 않는다. 추정은 방향 순서는 올바르게 맞추지만 가우시안 보정(Gaussian-calibrated)은 아니다. 임상 표적 부피(CTV) 확장을 한 가지 응용 사례로 제시한다.

arXiv:2607.14946v1cs.CV공통 태그 Medical Image Analysis, Point Cloud Registration

DINE: 거리만으로는 충분하지 않다 — 강건한 연조직 포인트 클라우드 정합을 위한 전역 변형 사전 학습

DINE: Distance Is Not Enough -- Learning Global Deformation Priors for Robust Soft-Tissue Point Cloud Registration

비강체(non-rigid) 포인트 클라우드 정합은 연조직 형상 분석의 핵심이지만, 큰 변형, 노이즈, 이상치(outlier)로 인해 대응 관계 추정이 어렵다. 대부분의 학습 기반 방법은 Chamfer distance와 같은 국소 목적 함수에 의존하며, 이는 점 단위 근접성을 장려하지만 예측된 변형장의 전역적 타당성은 제약하지 않는다. 우리는 DINE으로 이 한계를 해결한다. DINE은 거리 기반 정합에 변위 벡터장에 대한 학습된 통계적 사전 확률(prior)을 더하는 최대 사후(maximum a posteriori) 프레임워크이다. DINE은 2단계 전략으로 Robust-DefReg와 DefTransNet이라는 두 정합 백본에 적용된다. 1단계에서 Chamfer distance로 모델을 학습하고, 예측된 변형장으로 사전 확률을 추정한 뒤, 거리와 negative log-prior를 결합한 목적 함수로 모델을 정제한다. 전장(full-field) PCA 가우시안 사전 확률과 벡터별 정규화 흐름(normalizing-flow) 사전 확률을 비교한다. DeformedTissue와 SynBench 실험에서 변형 및 손상(corruption) 조건 하 더 낮은 평균 Chamfer distance가 관측되었다. DeformedTissue에서 DINE-PCA는 변형 수준 전반에 걸쳐 해당 1단계 백본 대비 Chamfer distance를 약 27--69% 감소시켰으며, 이상치에 대해 최대 66%, 가우시안 노이즈에 대해 83%까지 강건성을 개선했다. SynBench에서는 최소 변형 수준에서 개선이 미미하지만, 중간에서 심각한 변형까지 약 59--79%에 이른다. 이러한 결과는 전역 변형 타당성이 신뢰할 수 있는 연조직 포인트 클라우드 정합을 위한 중요한 제약 조건임을 시사한다. (코드는 곧 공개될 예정이다.)

arXiv:2607.13343v1cs.CV공통 태그 Medical Image Analysis, deformable registration

종양 절제 수술 중 증강 현실(AR) 유도 양성 마진 국소화를 위한 마커 없는 가변형 등록 및 융합

Marker-free deformable registration and fusion for augmented reality-guided positive margin localization during tumor resection surgery

두경부 종양 수술에서 양성 마진은 검체 측 병리 소견을 환자의 절제면에 매핑해야 한다. 이는 절제되어 변형된 검체의 슬라이스에서 병리의가 양성 마진을 확인하는 반면, 외과의는 해당 위치를 절제면에서 시각적 안내 없이 구두 설명만으로 재현해야 하기 때문에 어렵다. 우리는 3차원 검체 스캔의 마진 라벨을 절제면에 매핑하기 위한 마커 없는 증강 현실(AR) 워크플로우를 제안한다. 이 방법은 윤곽 제약 변형, 깊이 스캔에 대한 잔차 정렬, 헤드마운트 디스플레이(head-mounted display)를 위한 표면 기반 융합, 재구성된 절제면에 대한 타깃 투영을 결합한다. 비드(bead)-봉합(suture) 대응 관계로 검체 변형을 추정하며, 환자-디스플레이 융합에는 외부 기준점(fiducial) 마커가 필요하지 않다. 형성 실험(formative experiments) 이후, 5명의 전공의 및 외과의가 시체(cadaver) 볼과 두피 재절제 과제를 구두 안내, 검체 검사를 동반한 구두 안내, AR 안내 조건에서 수행했다. 변형 타깃 오차는 볼에서 $7.63 \pm 3.74$ mm, 두피에서 $3.72 \pm 1.02$ mm였다. 잔차 검체-절제면 거리는 각각 $2.43 \pm 2.15$ mm 및 $2.19 \pm 1.06$ mm였다. 융합 오차는 두 시체 모두에서 마커 없는 방식과 마커 기반 방식 간에 유의한 차이가 없었으며, 전체 마커 없는 융합 오차는 $2.15 \pm 0.87$ mm였다. 종단(end-to-end) 마진 국소화 오차는 구두 안내 시 $21.40 \pm 3.84$ mm, 검체 검사 시 $16.09 \pm 4.30$ mm에서 AR 안내 시 $6.19 \pm 1.79$ mm로 감소했다 ($p < 0.001$). 온라인 융합에는 $5.23 \pm 0.34$ s가 소요되었다. 이러한 결과는 양성 마진 국소화를 위한 마커 없는 AR 안내의 효과를 보여주며, 더 정밀한 종양 절제를 뒷받침한다.

arXiv:2607.10873v1cs.CV공통 태그 Medical Image Analysis, surgical guidance

X-GuideAR: 형광 투시 유도 중 방사선 노출을 줄이기 위한 증강 현실 프레임워크

X-GuideAR: An Augmented Reality Framework to Mitigate Radiation Exposure during Fluoroscopic Guidance

정형외과 수술에서 최적의 나사 배치를 달성하려면 X선 하에서 빈번한 정렬 확인과 다양한 해부학적 뷰 촬영이 필요한데, 이는 "플루로 헌팅(fluoro-hunting)"으로 알려진 과정으로 환자와 수술팀의 방사선 노출을 증가시킨다. 본 연구에서는 최적의 X선 뷰를 식별하기 위한 증강 현실(AR) 프레임워크인 X-GuideAR을 소개하며, 이는 정확한 나사 배치를 보장하면서 방사선 노출을 줄이는 것을 목표로 한다. X-GuideAR의 이점을 예시하기 위해 S2 장골익(S2AI) 나사 배치에 초점을 맞췄다. 본 시스템은 합성 X선 미리보기를 생성하여 플루로 헌팅을 가속화함으로써 뷰 획득 및 드릴링에 대한 방사선 없는 유도를 제공한다. 이러한 미리보기를 사용하여 필요한 해부학적 뷰가 식별되면 실제 X선을 촬영하고, 드릴링 궤적의 미리보기를 X선 위에 증강하여 추가적인 방사선을 최소화하면서 정밀한 나사 배치를 가능하게 한다. 전문 척추 외과의가 수행한 8개의 S2AI 궤적을 포함한 예비 연구에서 X선 촬영 횟수가 62.3% 감소하였다. 시술 후 평가에서 X-GuideAR을 사용한 궤적은 기존 워크플로우의 5.9mm에 비해 평균 안전 나사 직경 12.95mm를 지원하는 것으로 나타났으며, 이는 개선된 골 내 포함 및 잠재적인 생체역학적 이점을 시사한다. X-GuideAR은 방사선 노출을 줄이고 S2AI 나사 배치를 간소화할 큰 잠재력을 보여주며, 보다 안전하고 효율적인 수술을 향한 유망한 방향을 제시한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.