一种用于混合支气管镜导航中姿态优化的自监督深度感知方法

《Scientific Reports》：A self-supervised depth-aware method for pose optimization in hybrid bronchoscopic navigation

　　

摘要

在混合视觉-电磁导航系统中，姿态优化对于将支气管镜视图与术前CT扫描结果对齐至关重要。它有助于消除导航过程中虚拟支气管镜位置与实际支气管镜位置之间的差异。然而，虚拟（CT渲染的）支气管镜场景与真实支气管镜场景之间存在较大的模态差异，这导致了外观和尺度上的不确定性，从而影响了姿态估计的准确性。本文提出了一种基于自监督的学习方法，称为深度感知注意力姿态网络（DaAPNet）。DaAPNet通过集成深度感知注意力模块来利用深度信息引导注意力聚焦于几何结构一致的区域（如支气管分叉处），以解决这些结构上的不确定性。为了进一步抑制不可靠的外观特征，该方法采用基于熵的不确定性加权掩蔽机制，在注意力计算过程中动态减弱低置信度区域的影响。此外，一个专门的尺度预测模块确保了几何结构的一致性，从而恢复跨模态的尺度因子；而姿态一致性损失则有助于提高算法的时间稳定性。在虚拟支气管和模型支气管数据集上的大量实验表明，DaAPNet显著提升了姿态估计的性能。定性分析显示，该方法能够有效缓解外观上的不确定性，清晰地捕捉到支气管分叉的结构特征。定量评估结果显示，该方法在沿前进方向恢复尺度一致性方面表现出色，将平移误差降低了35.99%。