R-MFE-TCN：呼吸運動中の体表面と腫瘍の間の相関予測モデル

背景：2D CT画像誘導無線周波数アブレーション（RFA）は、肝臓腫瘍を除去せずに破壊できるエキサイティングな最小限の侵襲的治療です。ただし、CT画像は限られた静的情報のみを提供でき、腫瘍は患者の呼吸運動とともに動きます。したがって、自由条件下で腫瘍を正確に見つける方法は、現在解決すべき緊急の問題です。 目的：この研究の目的は、混合現実外科支援システム、ライマンおよび多変量の特徴の強化された時間的畳み込みネットワーク（R-MFE-TCN）の呼吸相関予測モデルを提案し、正確な呼吸相関予測を達成することです。 方法：モデルは、データセットの多様性を拡大するために、呼吸指向のリーマン情報強化戦略を採用しています。呼吸データ情報を保持するために新しい多変量機能エンハンスメントモジュール（MFE）が提案されているため、ネットワークは内部および外部データ情報の相関を完全に調査できるようにします。デュアルチャネルは、多変量呼吸機能を維持するために使用され、多変量の特徴を保持します。自己関節は、呼吸器のピーク間値の定期的な情報を取得します。この情報は、ネットワークの予測パフォーマンスを大幅に改善します。同時に、PSOアルゴリズムはハイパーパラメーターの最適化に使用されます。実験では、データセットから合計7人の患者の内部および外部呼吸運動軌跡が得られ、最初の6人の患者がトレーニングセットとして選択されました。呼吸信号収集頻度は21 Hzでした。 結果：データセットでの多数の実験は、この方法の良好なパフォーマンスを証明し、これにより予測の精度が向上し、強い堅牢性も向上します。この方法は、長いウィンドウの予測下での遅延偏差を減らし、良好なパフォーマンスを達成することができます。400ミリ秒の場合、平均RMSEとMAEはそれぞれ0.0453と0.0361 mmであり、他の研究方法よりも優れています。 結論：R-MFE-TCNは、さまざまな臨床状況で呼吸相関予測に拡張でき、外科的支援における呼吸遅延予測の精度要件を満たすことができます。

BACKGROUND: 2D CT image-guided radiofrequency ablation (RFA) is an exciting minimally invasive treatment that can destroy liver tumors without removing them. However, CT images can only provide limited static information, and the tumor will move with the patient's respiratory movement. Therefore, how to accurately locate tumors under free conditions is an urgent problem to be solved at present. PURPOSE: The purpose of this study is to propose a respiratory correlation prediction model for mixed reality surgical assistance system, Riemannian and Multivariate Feature Enhanced Temporal Convolutional Network (R-MFE-TCN), and to achieve accurate respiratory correlation prediction. METHODS: The model adopts a respiration-oriented Riemannian information enhancement strategy to expand the diversity of the dataset. A new Multivariate Feature Enhancement module (MFE) is proposed to retain respiratory data information, so that the network can fully explore the correlation of internal and external data information, the dual-channel is used to retain multivariate respiratory feature, and the Multi-headed Self-attention obtains respiratory peak-to-valley value periodic information. This information significantly improves the prediction performance of the network. At the same time, the PSO algorithm is used for hyperparameter optimization. In the experiment, a total of seven patients' internal and external respiratory motion trajectories were obtained from the dataset, and the first six patients were selected as the training set. The respiratory signal collection frequency was 21 Hz. RESULTS: A large number of experiments on the dataset prove the good performance of this method, which improves the prediction accuracy while also having strong robustness. This method can reduce the delay deviation under long window prediction and achieve good performance. In the case of 400 ms, the average RMSE and MAE are 0.0453  and 0.0361 mm, respectively, which is better than other research methods. CONCLUSION: The R-MFE-TCN can be extended to respiratory correlation prediction in different clinical situations, meeting the accuracy requirements for respiratory delay prediction in surgical assistance.