机器人超声驱动CBCT实时形变更新：USCorUNet将前向-后向残差降低约53%，并以11.25毫秒完成切片更新

提出一条与临床流程兼容的CBCT-超声流水线，把标定、LC2刚性精配准、超声形变估计与超声引导的CBCT切片更新串成端到端系统。 此前基于电磁与光学跟踪的工作主要实现刚性CBCT-超声对齐，形变感知的多模态更新仍是难点；该工作把刚性对齐与形变迁移整合为可实时运行的完整链路。 方法层面给出完整模块划分与公式（标定变换、LC2局部线性近似、高斯探针压缩剖面、基于欧氏距离变换的空间加权），并在四个数据集（在体前臂/上臂、猪肉凝胶体模、鸡/猪肉凝胶体模、Kyoto Kagaku US-22腹部体模）上验证。

提出USCorUNet：以ResUNet式上下文编解码器加共享权重相关编码器构建局部相关体，输入为五通道（I0、I1、差分、两帧梯度幅值），在1/8分辨率输出稠密双向形变场。 相对直接使用RAFT等通用光流模型，该网络显式引入相关体匹配并采用光流蒸馏、置信度加权光度一致性与正则化（边缘感知平滑加Jacobian折叠惩罚）的联合目标，权重为λflow=1、λphoto=0.2、λreg=0.05。 在数据集A上，USCorUNet与RAFT光度对齐相当（MAE 0.05、NCC 0.85），骨掩膜Dice略高（90.62%对90.31%），前向-后向残差由1.81降至0.85（约53%），折叠率由0.24%降至0.13%；消融显示去掉相关分支使NCC降至0.61，去掉光度监督使Dice降至85.45%。

在力分层协议下与DefCor-Net比较，USCorUNet在高压力档位表现更稳：6N时Dice为87.5%对82.6%，5N时为89.8%对87.8%，且标准差更小。 改进主要出现在更大、更困难的压缩条件下，说明该方法对探针诱导的大形变具有更好的适应性。 同一在体超声数据集（数据集A）上按DefCor-Net的力分层协议评估，报告I1→I0方向的骨掩膜Dice。

在超声引导的CBCT更新中取得质量与效率的折中：在数据集D上MAE 0.33、SSIM 0.22、Dice 82.22%，端到端耗时11.25毫秒，较RAFT（56.24毫秒）快约5倍，较LC2-FFD（5764.26毫秒）快约512倍。 相对RAFT略有精度优势且避免撕裂伪影，相对LC2-FFD在Dice上明显更高（82.22%对58.91%）且无几何畸变。 三种方法在相同条件下评估，运行时间为端到端测量；作者说明绝对指标受机器人伪影影响，因此作为受控的相对比较。

该框架面向机器人超声辅助的介入场景，适用于已具备机器人超声与CBCT设备、并能完成手眼标定的手术室环境；其设计目标是让静态CBCT在探针诱导与外部诱导形变下保持形变一致的显示，而不是替代CBCT成像本身。方法上，形变估计以相邻超声帧为输入，通过光流蒸馏与正则化获得物理上更合理的形变场，再经高斯探针压缩校正与欧氏距离变换加权迁移到CBCT感兴趣区，因此其适用范围与超声可见的局部软组织相关。作者指出，未来可把语义分割引入配准流程，以在复杂解剖区域进一步细化形变细节。

CBCT更新实验主要在腹部体模（数据集D）上完成，在体数据用于形变估计与力分层评估，因此该方法在真实患者解剖与临床流程中的表现仍需进一步观察。作者明确说明绝对指标受机器人伪影影响，表4应视为受控的相对比较，而非绝对精度基准。形变估计依赖从RAFT蒸馏的伪标签，其质量上限受教师模型影响；同时训练数据规模与采集条件（KUKA LBR iiwa 14 R820、Siemens ACUSON Juniper 5C1探头、Loop-X成像环）在文中给出，但不同中心的可复现性仍待检验。此外，本文为快速解析版本，图1至图4的视觉细节未在文本中展开，若需评估伪影与撕裂现象的具体表现，需查阅原文图像。