在增強現實腹腔鏡手術期間體內估計目標配准誤差

概要

目的

成功使用增強現實技術進行腹腔鏡手術需要外科醫生徹底了解任何覆蓋層的可能準確性。雖然可以在實驗室中估計這種系統的準確性，但是很難將這些方法擴展到體內臨床環境。在本文中，作者描述了一種新穎的方法，該方法使外科醫生能夠在使用期間估計體內誤差。作者表明該方法能夠定量評估用SmartLiver圖像引導系統收集的體內數據。

方法

SmartLiver系統利用直觀的顯示，使外科醫生能夠比較投影模型和實時視頻流中可見的地標位置。由此，外科醫生可以在使用系統定位實時視頻中不可見的地下目標時估計系統精度。可見地標可以是點或線要素。作者使用解剖學上代表性的肝模型測試演算法的有效性，應用模擬擾動來實現臨床上真實的重疊誤差。然後作者將該演算法應用於體內數據。

結果

體模結果表明，使用表面特徵的投影誤差為代表性人體肝臟形狀提供了地下目標配准誤差的可靠預測。將該演算法應用於使用SmartLiver圖像引導手術系統收集的體內數據，結果表明該系統的精度約為12 mm;然而，實現這一目標仍然是一項重大挑戰。

結論

作者提出了SmartLiver圖像引導手術系統的體內定量評估，以及評估演算法的驗證。這是腹腔鏡手術增強現實系統的首次定量體內分析。

關鍵詞：圖像引導手術，增強現實，肝臟，驗證，誤差測量，腹腔鏡

介紹

由於術後疼痛和瘢痕形成顯著減少，腹腔鏡肝切除術通常優於開放手術[7]。目前，專科醫院中只有少數患者接受腹腔鏡切除術。腹腔鏡切除率低的一個原因是外科醫生通過腹腔鏡相機和監護儀識別關鍵解剖結構的困難[4]。這可以通過將外部圖像引入手術來解決，稱為圖像引導手術（IGS）。最近的綜述[5]描述了腹腔鏡IGS的現有技術。在大多數情況下，由於難以在變形和移動器官上形成良好對齊的覆蓋物，因此避免了模型直接覆蓋在腹腔鏡視頻上的增強現實（AR）。一種方法是顯示從手術場景旁邊的術前計算機斷層掃描（CT）得到的實體模型。雖然模型可以定向為匹配手術場景，但是外科醫生需要識別模型和視頻之間的最終對應關係。[10]報道了首次報道在腹腔鏡肝臟手術中使用AR覆蓋層的情況，以便了解AR腹腔鏡系統的優點。作者開發了「SmartLiver」IGS系統，以顯示肝臟模型覆蓋在腹腔鏡的視頻輸入上。這給外科醫生帶來了一些認知負擔;然而，它提出了對錯誤的感知和解釋的問題。

在任何AR系統中，疊加層與屏幕上可見的內容之間將存在未對準。此外，外科醫生必須負責解釋並採取任何明顯錯誤。為實現這一目標，作者實施了先進的可視化演算法，以便外科醫生快速識別AR覆蓋誤差。圖圖11顯示了使用作者的系統的體內覆蓋圖。覆蓋層的一個關鍵特徵是作者保持了肝臟的投影2D輪廓，可以與可見的解剖結構進行比較。該輪廓使得能夠估計任何重疊的不可見解剖結構的準確性。

圖1

通過腹腔鏡相機看到的右肝葉，左圖。右圖顯示了使用SmartLiver系統增強的相同場景。顯示為橙色線的肝臟輪廓可以與可見的肝臟輪廓進行比較。不匹配給出了對不可見血管，靜脈（藍色和紫色）??和動脈（紅色）的覆蓋精度的估計。膽囊（黃色輪廓）和腫瘤（綠色）也可見

背景

腹腔鏡IGS進展緩慢的一個原因是缺乏對準誤差的測量和解釋的現實方法。與整形外科或神經外科手術相比，腹部的解剖結構是可移動的，因此使用剛性配準的IGS可能遭受顯著的局部誤差。理論上可以使用可變形配准和運動模型[17];然而，這增加了複雜性，並使外科醫生更難以解釋系統的性能。呼吸保持或門控也可用於提高表觀準確性，但代價是可用性。

柯林斯等人。[9]研究表面重建方案的變化對剛性和非剛性表面配準的影響。他們表明，使用剛性配準的系統可能會有大約10毫米的配准誤差，而可變形配准可以下降到大約6毫米。這些數字也與作者的結果一致。

康等人。[13]提出了一種AR腹腔鏡系統，其通過僅使用術中獲取的超聲圖像來避免掃描和手術之間的軟組織運動和變形的一些問題。他們報告的超聲AR系統誤差約為3 mm。此類系統中的主要錯誤來源是跟蹤和校準錯誤，這再次提供了與作者系統的有用比較。

Hayashi等人。[12]提出了一種新的胃手術登記方法，使用地下標誌逐漸改善登記，當它們在切除期間變得可見時。他們報告的精度約為13毫米，這與作者最佳的12毫米精度相似。有趣的是，他們報告說他們的外科醫生認為該系統在10毫米的精度下會變得有用，因為外科醫生應該能夠在精神上補償由變形和運動引起的殘留配准誤差。

Amir-Khalili等。[1]建議顯示顯示所顯示目標周圍不確定性的輪廓。另外，Pratt等人。[15]覆蓋器官表面的線框。根據作者的經驗，這些方法對於肝臟手術而言過於雜亂，因此作者建議使用輪廓渲染。當使用可變形配準時，對準誤差的通信變得更難。Bano等人。[3]顯示了兩項與作者的臨床研究相關的研究結果，這些研究使用術中C臂來指導肝臟的非剛性登記。首先，在他們的豬模型中，由吹氣引起的變形是配准誤差的重要來源（約8mm）。此外，在內部血管測量的誤差顯著高於（在肝臟表面測量的誤差約6mm）。

本文的貢獻

作者提出的體內誤差測量方法使用肝臟輪廓的可見錯位（圖（圖1）1）來推斷不可見目標解剖結構的錯位。在本文中，作者定義了可見未對準，重投影誤差（RPE）的度量，並測試了RPE是地下目標未對準或目標配准誤差（TRE）的有用預測器的假設。在某種程度上，這可以使用Fitzpatrick和West [11]最初提出的基準定位誤差（FLE）和TRE之間的關係來估算;但是，有兩個因素限制了他們的方法的適用性。首先，個體體內標誌物的FLE不是獨立的隨機變數，因為它們都會受到腹腔鏡和組織運動的校準和跟蹤中的系統誤差的影響。FLE的獨立性是[11]和衍生作品的關鍵假設;因此，當假設不成立時使用這些關係可以顯著低估TRE [19]。其次，在作者的RPE計算中，有效地丟棄了垂直於相機鏡頭的誤差，因為它們不能從2D圖像估計。這會產生從3D未對準誤差到2D RPE的非線性變換。因此，目前尚不清楚RPE是否可以安全地用作FLE的代理。

在作者的臨床前工作中，只有點標誌用於驗證[21];然而，在作者正在進行的體內驗證過程中，作者發現很難識別人體肝臟上的點標誌。一般來說，作者能夠使用的地標集中在靠近鐮狀韌帶的高曲率點周圍。相反，可以識別整個肝臟可見邊緣的線標誌。為了能夠在體內驗證系統，作者因此開發了一種使用點和線界標特徵來測量RPE的新演算法。

通過本文，作者做出了三項重要而新穎的貢獻。作者測試了使用來自點和地標特徵的RPE來估計地下TRE的有效性，這樣作者就可以實現從臨床前到臨床研究的轉換。其次，該演算法應用於9個體內病例，據作者所知，這是對多個患者的肝臟AR IGS系統進行定量評估的第一次嘗試。最後，作者描述了SmartLiver系統的持續發展，包括使用新穎的渲染引擎來實現未對準錯誤的體內可視化和改進的用戶界面。

材料和方法

使用基於表面的配準的SmartLiver手術工作流程

SmartLiver系統硬體包括工作站PC和Polaris Spectra1光學跟蹤系統，安裝在帶有不間斷電源的定製手推車上。PC運行基於NifTK軟體平台的定製軟體[8]。PC包括NVIDIA SDI採集卡和NVIDIA K6000 GPU。在劇院中，該系統位於腹腔鏡堆疊旁邊，允許外科醫生在其現有視線附近看到增強現實覆蓋物。

圖22顯示了從啟動到增強現實覆蓋的軟體流程圖和用戶界面。直到患者準備好進行手術，安裝時間不會影響整個手術室時間。一旦患者麻醉並準備好進行手術，時間就很關鍵，因此需要明確的工作流程和簡單的用戶界面。本文報道的體內數據是使用早期版本的用戶界面收集的。由於用戶界面通常難以使??用，因此在劇院中執行的任何註冊的質量都是高度可變的，如結果中所示。

圖2

SmartLiver IGS軟體的流程圖。用戶運行7個選項卡式屏幕，從系統初始化轉移到註冊和覆蓋。為了提供最清晰的圖像，作者使用了臨床使用的圖像混合（圖3,4和8）和幻像測試（圖1,2,5,6,7）

圖22中的步驟6和7定義了從模型空間到世界空間的變換，此後表示為TM2W。一旦估計出TM2W，外科醫生就可以參考增強現實顯示器來定位地下解剖結構。如果肝臟顯著移動，可以重複步驟6和/或7以給出TM2W的新估計。可視化（圖（圖1）1）將可見解剖結構顯示為2D輪廓，將內部解剖結構顯示為深度模糊表面模型。使用可視化庫實現可視化.2外科醫生可以使用可見輪廓和投影輪廓之間的不匹配來快速評估系統精度。使用手術期間保存的數據，在手術後進行登記準確性分析。這些數據包括整個過程中記錄的視頻和跟蹤數據，腹腔鏡的校準數據，以及劇院註冊中TM2W的任何估計。

估計重投影誤差

在一些應用中可以估計增強現實中的誤差，其中特徵在視頻和投影模型中都是可見的。這種方法在作者之前關於臨床前和幻像數據的出版物[21]中有所描述，並在此處進行了擴展。

CT衍生模型和視頻數據上的地標點由經過使用作者軟體培訓的外科醫生手動識別。使用MITK的[14]點集交互插件，使用NifTK [8]完成模型上的點和線拾取。作者為視頻數據編寫了一個自定義點和線選擇應用程序，現在它構成了NifTK軟體套件的一部分。軟體掃描一個記錄的視頻文件，每隔n幀停止一次，其中n由用戶設置，通常在25到100幀之間，具體取決於錄製視頻的長度。軟體找到與視頻幀最接近的（及時）跟蹤數據並檢查時序差異。如果跟蹤數據來自視頻幀的20ms內，則向用戶顯示來自左右聲道的一對靜止圖像。如果時間差大於20毫秒，則跳過幀。

當呈現兩個靜止圖像時，用戶能夠點擊它們中的任何一個來定義可見的標誌。用戶可以在點和線選擇模式之間切換。界標對應於在患者模型上選擇的那些。在給定框架中不可見的地標被簡單地排除。

作者已經編寫了另一個應用程序，使用標誌點，攝像機校準，攝像機跟蹤數據和TM2W來確定RPE。對於已經拾取了界標點的每個視頻幀，計算所拾取的界標與其在模型上的投影位置之間的像素誤差。不會投影到屏幕可見區域的地標將從分析中排除。

出於兩個原因，表示像素中的錯誤是有問題的。首先，它沒有任何物理意義，外科醫生對系統誤差與解剖結構的比??較感興趣，例如可以安全切割和燒灼的最小血管尺寸（約3 mm）。其次，它沒有考慮物體與相機的距離。如果幾何誤差（以mm為單位）保持不變，則當相機靠近物體時，像素誤差將增加。為了解決這個問題，作者將屏幕上的錯誤「重新投影」到相應模型特徵距離處與相機框架平行的平面上。該平面上兩點之間的距離可以毫米為單位測量。因為屏幕上的點被反投影到通過相應模型點的平面上，所以在垂直於相機平面的方向（z方向）上沒有誤差。

上述方法用於使用界標點的幻像和臨床前數據[21]。然而，作者發現難以識別體內數據的相應界標點。具體而言，很難找到遠離肝臟中心（靠近鐮狀韌帶）的點特徵。相比之下，可以在整個肝臟上識別線條特徵，例如肝臟邊緣，並由外科醫生用於評估準確性。因此，該方法擴展到允許在肝臟表面上使用線特徵。用戶將線條定義為模型和視頻上的一組離散頂點。計算誤差時，視頻圖像上的線條被視為一組離散頂點，而頂點之間的線性插值則用於模型。圖33顯示了體模和體內數據中識別的線和點特徵的示例。如何使用線測量RPE的問題比點更加模糊。作者使用以下演算法：

在CT衍生的肝臟表面模型上定義唯一可識別的點和線（由直線段連接的點）。

對於給定的視頻幀，標記任何可見的點和線。可以使用部分線，即不要求整條線在視頻幀上可見。

圖像上的每個線頂點都沿著光線通過相機的原點重新投影。

使用TM2W和世界到相機變換將模型特徵轉換為相機鏡頭的坐標系。

對於每條光線，找到相應模型線上的最近點（x）。

通過（x）定義與攝像機圖像平面平行的平面（p）。

計算點x與光線與平面p的交點之間的距離。

重新投影線的所有頂點的平均距離是該特徵的RPE。

圖3

使用體模上的表面特徵（左）和體內數據的示例投影。屏幕上的功能（以黃色顯示）在錄製的視頻圖像上定義。使用估計的TM2W從模型投射投影特徵（白色）

實驗1：TRE和RPE在肝臟模型上的相關性

假設RPE可用於估計TRE是作者提出的IGS系統效用的基礎。作者在這裡測試這個假設。為了估計系統定位地下標誌的準確性，使用了定製的硅膠模型，見圖44。

圖4

有機硅肝模型用於驗證。外部（左）代表成年雄性肝臟的外觀和幾何形狀。內部針腳（中心，以紅色突出顯示）可固定肝臟模型，並作為測量TRE的底標誌。右側圖像顯示了底目標和地表標誌的相對位置。9個目標以紅色顯示，6個外圍表面點標誌以黃色顯示，2個中心標誌以綠色顯示，9個線以藍色顯示

體模的形狀取自成年男性肝臟的CT掃描。外觀設計為代表健康的成人肝臟，以便能夠在體模上測試計算機視覺演算法[21]。肝體模的外部由柔性硅膠製成，可以重複安裝在一組插入模塑環氧樹脂基座的9個剛性銷上，見圖4.4。通過利用具有不同引腳幾何形狀的基座，該配置使得能夠進行可變形配準的未來工作。

對於本文，作者將9個定位銷視為次表面目標，因此可以通過移除柔性肝模型並測量針頭位置來評估給定TM2W估計的準確性。該方法取決於柔性肝模型在基部上的定位的可重複性，其通過進行2次CT掃描來檢查，肝臟模型被移除並在每次掃描之間被替換。然後使用針頭位置對準CT掃描，並且在視覺上比較肝臟幻像表面的對準。沒有觀察到明顯的錯位。

通過使用單獨的跟蹤指針來定位世界空間中的針頭，可以找到世界變換模型TM2W;但是，作者不使用此方法，因為它會對SmartLiver系統中觀察到的重疊錯誤進行不準確的測量。使用單獨的指針會導致立體腹腔鏡的手眼誤差和左右鏡頭校準，顯示為線性偏移。SmartLiver系統通過在腹腔鏡鏡片的坐標系中執行所有定位和疊加，避免了對高精度手眼校準的需求。肝臟模型相對於腹腔鏡鏡片位置在零時間定位。使用手眼變換和跟蹤數據將模型放置在世界坐標中。隨後使用相同的手眼變換將模型投影到屏幕上。如果腹腔鏡運動在時間零和AR投射時間之間受到限制，則手眼校準中的不準確性在很大程度上抵消了。由於臨床腹腔鏡受到套管針的限制，作者發現在系統的臨床前和臨床評估期間就是這種情況。

為了獲得更相關的誤差測量，使用立體三角測量法發現TM2W如下。針頭頭部位置是從未覆蓋的針頭的視頻序列中取出的多個立體圖像對中手動定義的。使用每個立體對中的像素位置，兩個相機的固有矩陣和從右到左的透鏡變換來對銷相對於左相機鏡頭的3D位置進行三角測量。使用手眼和跟蹤變換將三角測量點放置在世界坐標中。結果是每個針頭的世界空間中的點雲。通過最小化每個Arun等人的基準配准誤差（FRE），將模型中定義的針頭對準這些點雲的質心。[2]。這種理想模型到世界變換的RPE（表示為TM2W（i））不會為零，因為跟蹤，校準和點拾取引起的誤差仍然存在;然而，RPE將近似最小化，使外科醫生能夠最好地估計地下目標的位置。因此，TM2W（i）被賦予零TRE。對於幻像數據集的世界變換的任何其他模型可以根據其相對於TM2W（i）的TRE來描述。

作者進行的實驗包括：

識別肝臟模型的CT模型中的界標點和線。

記錄肝臟模型表面的跟蹤視頻序列。

取下硅膠模型，記錄地下引腳的跟蹤視頻序列。

識別兩個視頻中的地標點，以及表面視頻中的線條。

使用TM2W（i）測量界標（針頭和表面點和線）的RPE。

這樣發現的RPE將顯著低於體內數據觀察到的RPE，因為體內沒有遇到大量的誤差源，最顯著的是由於肝臟運動和變形導致的誤差，但也難以實現最佳的剛體對準。儘管誤差源是變化的，但作者假設它們的組合效應可以使用TM2W（i）的擾動來建模。為了創建足夠的數據來測試RPE和TRE之間的相關性，作者生成了20,000個TM2W（i）的隨機擾動，並測量了每個的RPE和TRE的均方根（RMS）值。

隨機擾動由6個獨立的隨機變數定義，3個平移和3個旋轉。所有旋轉都是關於肝臟體模的質心。從標準偏差1.0mm的零均值正態分布中隨機採樣翻譯。從標準偏差為1.2°的零均值正態分布中隨機採樣旋轉。設定縮放比例（每毫米1.2°），使得1個標準偏差的平移或旋轉導致跨肝臟體模的相同平均絕對位移。然後縮放旋轉和平移（對所有六個矢量使用相同的標量）以從TM2W（i）給出定義的標準化歐幾里德距離。以這種方式進行採樣產生沿6個自由度中的每一個均勻分布的擾動。在從1到20英寸的歸一化歐氏距離的每個整數值處產生1000個隨機擾動。設定歸一化歐幾里德距離的範圍以在臨床代表性RPE處提供可用的結果分布。

在每個擾動變換（表示為TM2W（p））時，針對每個可用界標計算TRE和RPE。然後計算並報告多個標誌上的每個測量的RMS值。使用方程式計算RMS TRE。1，其中Xi是世界坐標中九個目標（針頭）中每一個的位置矢量。

使用圖4.4所示的表面特徵的不同子集計算RMS RPE的三個測量值。第一個使用所有8個可用的表面點標誌，第二個僅使用鐮狀韌帶附近的2個點標誌來表示可以在體內定位的點特徵。RMS RPE的最後一個測量使用這兩個點標誌以及9個線特徵，主要沿著肝體模的前邊緣，代表可以在體內定位的線特徵。

實驗2：評估體內數據

對於體內數據，由於底標誌的位置仍然未知，因此不存在理想的變換。然而，作者能夠收集大量的體內臨床數據，儘可能接近「使用基於表面的註冊的SmartLiver手術工作流程」部分中描述的方案。到目前為止，作者已經評估了九種臨床程序的準確性。在每種情況下，在CT衍生的肝臟模型中和每個患者的數百幀視頻中識別界標點。

在可用的情況下，通過劇院中的手動對準確定的任何世界變換模型TM2W用於測量表面標誌上的RMS RPE。在有足夠的點標誌的情況下，還可以基於三角測量和地表標誌點的登記來估計TM2W。這種基於地標的登記由類似的肝臟IGS系統[6,12]使用，因此它與作者的系統進行了有用的比較。

在大多數情況下，作者還記錄了離體腹腔鏡校準數據，無論是十字準線[20]還是早期的棋盤校準網格[23]。這些校準數據用於評估在沒有組織運動的情況下系統的準確性。在視頻數據中手動識別棋盤角或十字線中心，每個數據集數十幀。這些特徵被三角化到世界坐標，這些用於使用「重新投影誤差的估計」部分中描述的方法測量重新投影誤差。與報告校準殘差相比，使用此方法將包括在視頻幀中拾取點時的錯誤，允許與體內準確度進行更直接的比較。

結果

實驗1：TRE和RPE在肝臟模型上的相關性

記錄肝臟幻影表面的視頻，對錶面點和線標誌進行成像。共記錄了2296個立體圖像（2×540×1920像素）。用手穩定地移動腹腔鏡，以大約30mm / s的平均速度（在鏡片處測量）試圖對每個界標成像。共有68幅圖像由經驗豐富的研究科學家用點和線標誌的位置手動注釋，總共提供76個點標誌和104個線標誌。然後從其基部移除柔性硅酮肝模型。記錄了總共2460個立體對的固定銷頭，腹腔鏡再次以約35mm / s的速度圍繞體模穩定地移動。手動注釋總共44幀，給出87個針頭位置樣本。

在CT模型中拾取的針頭和從視頻三角測量的針頭形成兩組有序的基準點，允許通過最小化FRE來找到TM2W（i）[2]。殘餘FRE為2.55 mm，表明使用[11]中的等式10將每個針頭定位在2.89 mm左右時出錯。TM2W（i）的RMS RPE為2.15 mm

圖55繪製了RMS TRE與RMS RPE和FRE的分布。20,000個配准中的每一個根據它們的RMS RPE在以1至30mm的整數值為中心的1mm箱中裝箱，對於每個箱，繪製RMS TRE的平均值和標準偏差。使用Pearson相關係數（r）和所有箱的平均標準偏差（σˉ）測量RMS TRE和RMS RPE或FRE之間的相關性。圖5a5a繪製了RMS TRE與RMS RPE和FRE在針頭自身上進行評估時的情況。RMS RPE和FRE都與RMS TRE非常相關，這是一個不足為奇的結果，因為測量都是在相同的特徵上進行的，但確認RPE可以在理想情況下用作TRE的代理。

圖5

在可見特徵上測量的RMS RPE與在體模的針頭處測量的RMS TRE測量。a顯示使用9個針頭測量的RMS RPE（即從其基部移除硅酮肝模型。）b顯示使用肝臟模型表面上的3個子集特徵測量的RMS RPE

圖圖5Bb示出了當僅使用表面界標特徵計算RPE時RMS TRE與RMS RPE，而RMS TRE在地下針頭處測量。第一條（紅色）線顯示了當所有（8個）表面點標誌用於測量RPE時的結果，類似於作者的臨床前結果（[21]）。在這種情況下，RMS RPE提供了良好的RMS TRE預測因子，Pearson相關係數為0.79。這表明，在表面點標誌在重要區域可用的情況下，它們提供了地下精度的有用指標。第二條（藍色）線顯示更具臨床實際情況，其中僅使用鐮狀韌帶附近的那些點標誌來計算RPE。在這種情況下，相關係數顯著降低（至0.44），並且主要發生在15mm的RMS RPE之上的相關性，使得這種測量具有可疑的臨床應用。圖5b5b中的第三條（綠色）線顯示了如何通過引入可在體內鑒定的表面線特徵來改善相關性。

實驗2：評估體內數據

分析了9名患者的數據。在手術期間進行採集，手動緩慢移動腹腔鏡。採集時間和速度各不相同，但通常包括1-3分鐘的視頻，腹腔鏡鏡頭以10-20 mm / s的速度移動。所使用的點和線特徵的數量因患者而異。最小點數為3，最大值為7.最小行數為5，最大值為9.平均每個患者手動注釋469幀視頻數據，最小值為80，最大值為19094幀。視頻和CT的注釋由經驗豐富的腹腔鏡外科醫生完成。在所有情況下，RPE在靜態校準模式上，在一組三角形體內點標誌上測量，並且使用基於點的配准登記一組體內線和點。得到的RMS RPE記錄在表11的前三個數值列中。

表格1

針對人類臨床數據測量的平均RMS RPE誤差，根據誤差源對每個誤差測量進行分類

包含刻度的單元格表示給定的錯誤源（行）會導致給定註冊方法（列）的總錯誤

表Table11中的最後三個數字列顯示了使用SmartLiver系統的用戶界面執行的註冊結果。在四種情況下，在手術期間進行登記（手動實時對準），在三種不同情況下，在手術後對記錄的數據進行手動對準（手動複製。對準）。使用基於表面的迭代最近點（ICP）演算法進行一次註冊，使用手術期間抓取的表面貼片。由於樣本量較小，作者沒有對不同的註冊方法進行任何統計比較。

正如作者的臨床前工作[21]，根據錯誤來源對整體錯誤的貢獻來分析體內結果是有用的。表格11的底部10行顯示了哪些錯誤源對每個結果有貢獻。

討論

從表格1.1中可以得出幾個初步結論。動態和靜態變形以及腹腔鏡跟蹤和校準誤差的組合至少為10 mm。這是利用光學跟蹤和剛性模型的腹腔鏡IGS的最佳病例精度。RMS RPE對於回顧性手動對準與劇院手動對準有輕微改善，可能是由於手術期間存在時間壓力和人體工程學折衷。使用基於表面的ICP發現了最好的RMS RPE;然而，使這一過程變得強大仍然存在重大挑戰。

體內結果表明，可以獲得約12mm的表觀精度（RPE），其對應於具有剛性配准系統的約15mm的平均表面下精度（圖5b中的綠線）5b）。這種準確性在臨床上是否有用目前尚不清楚。SmartLiver IGS系統目前是唯一一種常規嘗試增強現實覆蓋的腹腔鏡肝臟手術系統。正在進行臨床評估，試圖將準確性與臨床結果聯繫起來。臨床評估還可以分析最有用的報告錯誤的方法，即在這裡作者報告RMS錯誤，而關注極端值可能更相關。有趣的是，外科醫生通常對所實現的覆蓋層印象深刻，鼓勵該系統在其當前的準確度水平上可能是有用的。

作者的長期目標是開發一種臨床指導系統，該系統能夠可靠地實現優於5 mm的精度，以便外科醫生能夠在該尺寸的血管周圍航行。然而，這個目標是在沒有商定的方法來衡量準確性的情況下設定的，因此有點武斷。儘管如此，這裡給出的結果表明，只有通過可變形配准才能達到優於10 mm的精度。幾組已經證明肝臟的可變形配准和呼吸運動補償[16]在技術上是可能的[9,17]。這提出了當模型計算變形時外科醫生如何解釋對準誤差的問題。進一步的工作可以比較TRE和RPE在更廣泛的肝臟形狀和結合可變形配准。作者提出的使用2D投射器官輪廓的方法應繼續允許快速體內評估誤差。

作者的幻像結果，圖5,5，表明線標記特徵的添加導致相同TRE的較小RPE。這可能是由於匹配兩條線的自由度更大。在這種情況下，這有助於使RPE值更接近TRE;但是，該結果可能特定於測試的幾何形狀。需要進一步的工作來確定在更一般的情況下這是否屬實。

基於體模結果，表面測量的RPE與地下標誌處的TRE之間的正相關性在使用點和線時低於RMS RPE約6 mm，僅使用中心點時為10 mm。其主要原因可能是表面標誌位置與地下目標之間的幾何關係。理論上，控制基準標記和跟蹤儀器設計的相同規則[11,19,24]可以為體內表面標誌的理想選擇提供信息，用於誤差估計。作者已經開始工作[18]，研究哪些表面特徵提供了最佳配准，這可以擴展，使覆蓋層僅顯示肝臟邊緣的部分，以最大化表觀RPE和TRE之間的相關性。

結論

作者已經描述了SmartLiver AR IGS系統的體內臨床應用的一些方面。作者已經強調了IGS從臨床前研究向臨床研究過渡所涉及的許多挑戰。其中最重要的是需要一種清晰且經過充分驗證的方法來確定體內準確度。作者提出，測試和使用的演算法應該能夠在更大的患者隊列中評估IGS系統，可能顯示覆蓋準確性和臨床結果之間的相關性。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！