في عالم الطب الحديث، يعد التسجيل بين الصور الثنائية والثلاثية الأبعاد (2D/3D Registration) خطوة حاسمة لضمان دقة تدخلات الصور الموجهة. تعتمد هذه العملية على توفيق حجم التصوير المقطعي المحوسب (CT) مسبقاً مع الصور الفلورية أو الأشعة السينية التي يتم التقاطها أثناء العمليات. شهدت الأساليب الحديثة المستندة إلى التعلم وتحسين التسجيل تقدماً ملحوظاً، خاصة في السياقات المخصصة للمرضى حيث يمكن توليد صور الأشعة المعاد بناؤها رقمياً (DRRs) بكفاءة من التصوير المقطعي المستهدف.

لكن تدريب نموذج مخصص لكل مريض جديد يعد غير فعال من الناحية الحاسوبية، مما يعرقل تنفيذ هذه العمليات في الممارسة العملية. وهنا تأتي أهمية البحث الجديد الذي يقترح إطار عمل لتسجيل 2D/3D يعتمد على تدريب اصطناعي عالمي. يتم تدريب النموذج أولاً على DRRs الاصطناعية المولدة من مجموعة من أحجام التصوير المقطعي للتعلم تمثيلات حساسة للوضع.

بعد ذلك، يتم تكييف النموذج لمريض جديد بمساعدة عدد محدود من التوقعات الاصطناعية من حجم التصوير المقطعي الهدف. ولتعزيز متانة الانتقال من الاصطناعي إلى الحقيقي دون الحاجة إلى تصنيفات تشريحية، تم إدخال استراتيجية عشوائية بدون تقسيم لتعطيل كثافة الصور، فيزياء الإسقاط، مجال رؤية الصور، الانسداد، وآثار الفلوراوسكوبي.

بعد ذلك يقدم النموذج التكيفي تقديراً أولياً للوضع، يتم تحسينه باستخدام التعلم بالتحمل الكروي (spherical similarity learning) وتقنية التحسين القابلة للاشتقاق ليفنبرغ-ماركاردت (Levenberg-Marquardt optimization). تتناول التجارب حول البيانات التشريحية المتعددة ما إذا كان التدريب الاصطناعي العالمي يمكن أن يحسن من كفاءة التسجيل المخصص للمرضى، مع التركيز بشكل خاص على التوازن بين تكلفة التكيف ودقة التسجيل.

تظهر النتائج أن التدريب الاصطناعي العالمي يمكن أن يقلل بشكل كبير من متطلبات تدريب النموذج المخصص للمرضى مع الحفاظ على دقة عالية في تسجيل الصور الثنائية والثلاثية الأبعاد.