배경: 표면 정합(surface registration) 기술은 비교적 안전하고 수술 소요 시간이 짧다는 장점이 있으나, 대체로 정확도가 낮다는 단점이 있다. 목적: 본 연구는 영상 유도 수술 항법 시스템의 정확도를 향상시키기 위해 자동화된 기계학습(AutoML) 기반 표면 정합을 제안한다. 방법: 최신 표면 정합 개념은 먼저 신경망 모델을 사용하여 광학 추적 시스템(OTS)의 수동 프로브로 획득한 얼굴 정보와 일치하는 새로운 점군(point-cloud)을, 컴퓨터 단층촬영(computed tomography)으로부터 얻은 얼굴 정보로부터 추출하는 것이다. 그 다음 새로 추출한 점군과 OTS 정보를 대상으로 반복적 최근접점(iterative closest point, ICP) 알고리즘을 적용하여 표면 정합의 정확도를 나타내는 표적 등록 오차(target registration error, TRE)를 계산한다. 이 과정에서 신경망 모델과 ICP 알고리즘에 사용되는 하이퍼파라미터는 기대개선(expected improvement)을 이용한 베이지안 최적화(Bayesian optimization)로 자동 최적화되어 정합 정확도가 향상되도록 한다. 결과: 제안된 표면 정합 방법론을 사용한 경우, 연성 팬텀(soft phantoms)에서 부비동 공간과 비강 내에 위치한 표적들의 평균 TRE는 0.939 ± 0.375 mm로, 기존 표면 정합 방법으로 계산된 평균 TRE 2.227 ± 0.193 mm에 비해 57.8% 향상되었으며(p < 0.01), 이는 통계적으로 유의하였다. 또한 제안된 방법론의 성능을 평가하였고, 제안된 방법론과 기존 방법에 의해 계산된 평균 TRE는 각각 0.767 ± 0.132 mm와 2.615 ± 0.378 mm로 나타났다. 더불어 한 명의 건강한 성인에서 AutoML 기반 표면 정합의 임상적 적용 가능성도 제시하였다. 결론: 본 연구 결과는 표면 정합 기술의 장점을 유지하면서도 등록 정확도를 향상시킬 수 있음을 보여준다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.