本文属于类型a，是一篇关于肝脏手术中三维可变形模型术中更新框架的原创性研究论文。该研究由Benoît Dagon、Charles Baur和Vincent Bettschart完成，其中Benoît Dagon和Charles Baur来自瑞士洛桑联邦理工学院（École Polytechnique Fédérale de Lausanne）的机器人系统实验室（Laboratoire de Systèmes Robotiques），Vincent Bettschart来自瑞士洛桑沃州大学医院中心（Centre Hospitalier Universitaire Vaudois）的内脏外科（Service de Chirurgie Viscérale）。论文发表于2008年8月20日至24日在加拿大温哥华举办的第30届IEEE EMBS年度国际会议（30th Annual International IEEE EMBS Conference），页码为3235至3238。
从学术背景来看，该研究属于计算机辅助手术（computer assisted surgery）与医学图像处理领域，聚焦于软组织器官在术中发生形变后如何更新术前三维模型的问题。肝脏切除（liver resection）通常是恶性肿瘤唯一的根治手段，而肝脏血管结构（hepatic and portal trees）及病灶的空间定位对于手术决策至关重要。在术前阶段，医生基于CT或MRI重建得到肝脏实质、血管树及肿瘤的三维表面网格模型，并在此基础上制定手术规划。然而，由于腹腔打开、充气以及手术操作等因素，肝脏会发生显著形变，导致术前模型与术中实际情况不再吻合。传统方法多采用刚性配准（rigid registration），忽视了形变问题；而一些已有的非刚性配准方法虽然能补偿形变，却往往计算量大，难以满足手术中的实时性要求。因此，本研究旨在构建一个框架，利用术中测量数据快速更新术前三维模型，为外科医生提供术中实时的内部结构位置反馈。
该研究的工作流程可分为三个主要程序：血管树骨架化（vascular tree skeletonization）、超声图像分割（ultrasound image segmentation）和非刚性配准（non-rigid registration）。在血管树骨架化阶段，研究以术前由CT或MRI分割重建得到的肝脏血管树三维表面网格为输入。由于手工构建骨架结构极为繁琐，研究者开发了一种自动骨架化算法。该算法扩展了Tierny等人提出的基于Reeb图理论和离散轮廓的拓扑方法，利用肝静脉树状无环的拓扑特性进行了简化和加速。算法首先通过局部极值提取血管树的末端，然后在自然树根附近确定一个源顶点vs，通过网格表面最短路径将每个末端连接到源顶点，形成骨架原型边。映射函数被用于计算每个网格顶点到源顶点的测地距离（geodesic distance），具有近似相同映射值的顶点构成垂直于中心线的截面轮廓。每个骨架节点ni的位置由两个离散轮廓的几何中心平均得到，节点半径则通过轮廓周长近似计算。血管分叉位置的搜索采用迭代切割策略：在每条现有边的中点处切割网格，统计被切割的轨迹数量，若多于一条则继续二分切割，从而快速收敛到分叉处并添加节点。最后，当边长过长或边与中心线曲率夹角过大时，会添加额外节点以保证模型具有足够的控制点进行真实形变模拟。研究在包含约30000个顶点的血管网格上测试了该算法，每个网格的骨架提取时间少于3分钟。
在超声图像分割阶段，研究使用带有光学标记的二维超声系统获取术中血管位置。超声探头上的光学标记通过标定程序建立其参考系与图像坐标系的几何变换关系。选择二维超声而非三维超声的原因在于其使用简便、对手术操作干扰小，且导航二维超声能以更大视野实时提供三维数据。血管分割采用从粗到细的全自动方法：首先基于尺度空间（scale-space）理论对图像进行多尺度分析，利用公式L(t)=Σwi[p(t;sn)−p(t;si)]计算像素在不同尺度下的响应，将稳定存在的斑点状结构（blob-like structures）作为血管候选区域。与原始超声图像相比，尺度空间图像中的血管更容易通过阈值分割提取。噪声斑点通过小圆核相关操作消除，具有最高局部相关系数的像素被选为细化阶段的源像素。血管轮廓点的提取通过分析从源像素发出的径向射线强度剖面完成。由于超声图像噪声较大，血管边缘对应的峰值难以直接区分，研究者借鉴Yoshida等人基于连续小波变换的方法，在径向射线的小波变换系数标度图（scalogram）中检测极大值线，这些线在第一尺度上的位置对应血管边缘点。与原始工作使用的墨西哥帽小波不同，本研究采用了Haar母小波，使得小波变换只需在单一尺度（64）上计算，大幅提高了处理速度。最后，在检测到的轮廓点上用直接最小二乘法拟合椭圆（ellipse），椭圆中心被转换为三维空间中的点集。研究在离体灌注的猪肝上采集了约1000幅超声图像，使用Acuson Sequoia C512超声系统（6 MHz二维阵列探头），连续处理该数据集约需5分钟，即每幅图像约300毫秒，血管假阳性检测率低于5%。
在非刚性配准阶段，研究使用质量弹簧网络（mass-spring network）模拟肝脏形变。位于骨架节点上的控制点ni是拥有6个自由度和物理属性（质量与半径）的小球体，骨架边被视为具有阻尼弹簧物理特性的弹性连接。模型结构遵循Conti等人提出的方法，连接通过控制伸长、弯曲和扭转来约束网格形变。节点位置xi由牛顿动力学定律确定，通过求解常微分方程mi·d²xi/dt² = fext_i + fint_i来计算。配准是一个迭代过程，计算全局变换G以优化骨架节点集N与测量点集D之间的映射。每一步通过扩展最近邻搜索算法评估两组点之间的对应关系。由于骨架节点通常少于数据点，多个数据点可能配对到同一个节点。为避免因血管自然弯曲导致的错误配对，研究利用血管尺寸和分支方向等局部几何信息来排除不可能的配对。节点ni与数据点dj之间的距离δ(ni,dj)被转换为施加在节点上的外力fext_i，测量点集因此扮演吸引场的角色，驱动骨架按照能量最小化准则形变。网格顶点在初始化时被刚性附着到骨架上（附着到最近节点或最近连接），当骨架形变时，顶点位置相应更新，从而使器官网格形变完全由骨架驱动。在实验测试中，研究从模型骨架生成三维数据点模拟术中测量，通过规则采样骨架边并添加随机噪声（σ=±2 mm）产生数据点，同时人工移动属于某一血管分支的点来模拟局部形变。外力模型采用与点对距离平方线性成正比的模型：fext_i = kp·δ(mi,dj)²。经过粗略手动初始对齐后，弹性配准在不到2秒内收敛到稳定解。
研究的主要结果表明，该框架在模拟和真实数据集上均表现出快速和有效的特点。骨架化方法能够在3分钟内处理约30000个顶点的网格；超声图像分割方法每幅图像处理时间约300毫秒，假阳性率低于5%；弹性配准在约2秒内完成。这些结果表明该框架满足术中实时更新的时间要求，能够为外科医生提供关于重要内部肝脏结构位置的持续视觉反馈。然而，由于缺乏金标准（ground truth），目前模型形变的准确性仅通过视觉评估，尚未进行定量验证。
研究结论指出，该框架通过基于肝血管树重建的快速非刚性配准与术中数据点实现术前三维模型的术中更新。自动骨架化工具生成质量弹簧形变模型的核心结构，实时自动超声图像分割提供肝脏血管的术中测量。尽管精度尚未量化，但实验结果已证明该框架的实时能力适合为外科医生提供持续的视觉反馈。研究的科学价值在于提出了一种以血管骨架为驱动的轻量级形变建模方案，避免了有限元等方法的高计算负担；应用价值在于为肝脏手术中软组织形变补偿提供了可行的实时解决方案。研究亮点包括：基于Reeb图理论的自动化血管骨架提取、基于尺度空间和Haar小波变换的实时超声血管分割、以及以骨架为核心的质量弹簧非刚性配准方法。此外，研究还提及未来工作将包括在猪肝上评估框架精度、基于血管形变和实际肿瘤位置更新切除平面姿态，以及开发增强现实模块将更新后的术前数据叠加到摄像头视频流上。该研究由瑞士国家科学基金会CO-ME/NCCR（计算机辅助与图像引导医疗干预）项目资助。