O conteúdo gerado por IA ajuda na reconstrução do cérebro em 3D

A cirurgia minimamente invasiva e a cirurgia automatizada guiada por robô provavelmente serão realizadas em condições extremas, que exigem novas demandas nos recursos de aquisição de informações intraoperatórias. A geração de nuvens de pontos cerebrais tridimensionais (3D) desempenha um papel essencial na superação das limitações visuais dessas cirurgias.

Uma das aplicações da IA ​​generativa está no campo da geração de nuvens de pontos cerebrais 3D. Usando algoritmos de aprendizado profundo, a nuvem de pontos 3D do cérebro do paciente pode ser gerada para reconstrução durante minimamente cirurgia invasiva. No entanto, alguns métodos convencionais de reconstrução de nuvem de pontos existentes ainda apresentam limitações quando aplicados diretamente a cenários cirúrgicos reais.

Agora, uma equipe de pesquisa liderada pelo Prof. Wang Shuqiang do Instituto de Tecnologia Avançada de Shenzhen (SIAT) da Academia Chinesa de Ciências propôs uma rede hierárquica de percepção de forma (HSPN) para uma melhor reconstrução cerebral 3D.

O estudo foi publicado em Transações IEEE em Redes Neurais e Sistemas de Aprendizagem em 11 de maio.

A estrutura proposta do HSPN consiste em um codificador, que possui um preditor e múltiplos blocos de codificação, e um decodificador correspondente. O preditor é construído para gerar nuvens de pontos que descrevem com precisão as imagens incompletas e, em seguida, completam essas nuvens de pontos com alta qualidade.

Considerando o fluxo unificado de informações para comunicação com os módulos adjacentes, os pesquisadores construíram um pipeline de atenção hierárquico para transmitir recursos de atenção local entre os blocos de codificação e decodificação.

Enquanto isso, eles projetaram blocos de porta de atenção (AGBs) em blocos de codificação e decodificação para agregar com eficiência recursos geométricos locais de nuvens de pontos incompletas transmitidas por pipelines de atenção hierárquicos e recursos internos de reconstrução de nuvens de pontos. O emprego de AGB pode aumentar significativamente a capacidade de expressão detalhada, reduzindo o erro de geração e aumentando a estabilidade.

Com o HSPN proposto, a percepção e a conclusão da forma 3D podem ser alcançadas espontaneamente. Resultados abrangentes medidos pela distância de chanfro e erro de nuvem de ponto a ponto (PC-a-PC) demonstraram que o HSPN proposto superou outros métodos competitivos em termos de exibições qualitativas, experimentos quantitativos e avaliação de classificação.

“O método proposto tem um tempo de inferência significativamente curto, o que permite um feedback efetivo em tempo real das propriedades da imagem local”, disse o Prof. Wang. “Esse feedback pode orientar os médicos a encontrar locais cirúrgicos valiosos para diagnóstico”.