Towards deformable registration for augmented reality in robotic assisted partial nephrectomy

Kidney tumor is the twelfth most common type of cancer. The most effective treatment for small tumor is partial nephrectomy, that can be performed in Minimally Invasive Surgery (MIS). The MIS advantages for the patient, when compared to open surgery, are bleeding reduction, smaller incision size, less pain, shorter recovery time and lower risk of infection. Robotic MIS (RMIS) can improve the outcomes allowing 3D vision, tremor filtering and wide range of motion of surgical instruments. However, MIS and RMIS main disadvantages, for the surgeon, are the loss of depth perception and the difficulty in intra-operative identification of relevant anatomical structures. Augmented Reality (AR) is a feasible solution. In surgery, AR is the superimposition of the patient-specific anatomical model to the intra-operative view. To be applied in nephrectomy, AR should deal the problem of the deformation of the intra-operative scene with respect to the pre-operative anatomy. The aim of this work is to investigate the application of deformable registration algorithm to register the pre-operative 3D kidney anatomy to the intra-operative scene. The pre-operative kidney model was retrieved segmenting computed tomography with deformable active contours model and reconstructing the volume with fast marching method. The intra-operative point cloud was acquired on silicon kidney phantom with the da Vinci Research Kit. The silicon phantom were built according to the pre-operative model. The registration workflow was divided in: (i) initial alignment, performed manual or with point-based algorithm using manual identified markers, and (ii) deformable registration exploiting Free Form Deformation algorithm based on B-spline. The registration algorithms were implemented in C++ using the Visualization Toolkit (VTK) and the Insight Segmentation and Registration Toolkit (ITK) libraries. To test the developed workflow in a controlled environment, an intra-operative point cloud was manually created deforming the kidney model. The registration results obtained registering in 2D the kidney model boundary to the kidney deformed boundary with different levels of deformation were high (mean Root Mean Square Error (RMSE) reduction was 34.68%). The results were good when the registration was performed in 3D (mean RMSE reduction was 6.27%). The relation between the algorithm performance and the deformation level was statistically investigated with the Wilcoxom signed-rank test (alpha = 0.05) showing that the algorithm was robust with respect to the deformation level. Both in 2D and 3D, the performance of FFD were significantly higher (Wilcoxon signed-rank test, alpha = 0.05) compared to a rigid registration algorithm. The developed workflow was tested to register the 3D kidney model to the intra-operative point cloud acquired on phantom. The best RMSE reduction obtained in the (i) initial alignment was 89%. The best RMSE reduction obtained in the (ii) deformable registration was 28%. The overall registration process best RMSE reduction was 91%. The high RMSE reduction highlights the need, in a partial nephrectomy AR system, to tackle the intra-operative kidney deformation with deformable registration algorithm.

Il tumore al rene è il dodicesimo tumore più diffuso. Il trattamento più comune per tumori di piccola taglia è la nefrectomia parziale, che può essere eseguita in chirurgia microinvasiva. I vantaggi della chirurgia microinvasiva sono minor sanguinamento, incisioni più piccole, minor dolore, tempo di ricovero più breve e minor rischio di infezioni. La chirurgia robotica può migliorare la procedura fornendo visione 3D, filtraggio del tremore e ampi range di movimento per gli strumenti. Gli svantaggi sono, per il chirurgo, la perdita della percezione della profondità e la difficoltà nell'identificare le strutture di interesse. La realtà aumentata può fornire una soluzione. In chirurgia, la realtà aumentata consiste nella sovrapposizione del modello anatomico del paziente sulla scena intraoperatoria. Per essere applicata in nefrectomia, la realtà aumentata deve tener conto della deformazione della scena intraoperatoria rispetto al modello acquisito preoperativamente. Lo scopo di questo lavoro è investigare l'applicazione di algoritmi di registrazione deformabile per registrare in 3D il modello preoperatorio del rene alla scena intraoperatoria. Il modello preoperatorio è stato ricavato segmentando una tomografia computerizzata con un algoritmo che sfrutta deformable active contours model e ricostruendo il volume con un algoritmo basato su fast marching method. La nuvola di punti intraoperatoria è stata acquisita con la stereocamera del da Vinci Research Kit a partire da immagini di fantocci di rene in silicone (basati sul modello preoperatorio). La registrazione è stata divisa in: (i) allineamento iniziale, eseguito manualmente o con un algoritmo basato su punti corrispondenti,(ii) registrazione deformabile basata sull'algoritmo di Free Form Deformation (FFD) che utilizza B-spline. Gli algoritmi di registrazione sono stati implementati in C++ utilizzando le librerie Visualization Toolkit (VTK) e Insight Segmentation and Registration Toolkit (ITK). Per testare la registrazione in un ambiente controllato, una nuvola di punti intraoperatoria è stata creata deformando manualmente il modello del rene. I risultati ottenuti registrando in 2D i contorni del modello con i contorni deformati, con differenti livelli di deformazione, erano alti (riduzione media del Root Mean Square Error (RMSE) era del 34.68%). I risultati erano buoni se si effettuava la registrazione in 3D (riduzione media del RMSE di 6.27%). Il legame tra le performance dell'algoritmo e il livello di deformazione è stato investigato statisticamente con il test di Wilcoxon (alpha=0.05), mostrando che l'algoritmo era robusto rispetto alla deformazione. Sia in 2D che in 3D, le performance di FFD erano significativamente più alte (Wilcoxon con alpha=0.05) di quelle di un algoritmo rigido. L'algoritmo di registrazione completo è stato utilizzato per registrare il modello 3D del rene alla nuvola di punti intraoperatoria acquisita sul fantoccio. La miglior riduzione del RMSE ottenuta (i) nell'allineamento iniziale è stata del 89%. La miglior riduzione del RMSE ottenuta (ii) nella fase di registrazione deformabile è stata del 28%. La miglior riduzione del RMSE calcolato su entrambi gli step è stata del 91%. Gli alti valori di riduzione del RMSE ottenuti evidenziano la necessità, in un sistema che utilizza realtà aumentata in nefrectomia, di trattare la deformazione intraoperatoria del rene con algoritmi di registrazione deformabile.