論文の概要: Non-Rigid Volume to Surface Registration using a Data-Driven Biomechanical Model

• arxiv url: http://arxiv.org/abs/2005.14695v1
• Date: Fri, 29 May 2020 17:35:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 00:06:56.102588
• Title: Non-Rigid Volume to Surface Registration using a Data-Driven Biomechanical Model
• Title（参考訳）: データ駆動バイオメカニカルモデルを用いた非リギッド体積と表面登録
• Authors: Micha Pfeiffer, Carina Riediger, Stefan Leger, Jens-Peter K\"uhn, Danilo Seppelt, Ralf-Thorsten Hoffmann, J\"urgen Weitz and Stefanie Speidel
• Abstract要約: 我々は畳み込みニューラルネットワークを訓練し、表面対応と非剛体登録の両方を1ステップで行う。 このネットワークは、ランダムに生成された、変形する臓器のような構造の物理的に正確な生体力学シミュレーションに基づいて訓練されている。 高い推論速度を維持しながら実データによく翻訳可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.028144129864580446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-rigid registration is a key component in soft-tissue navigation. We focus on laparoscopic liver surgery, where we register the organ model obtained from a preoperative CT scan to the intraoperative partial organ surface, reconstructed from the laparoscopic video. This is a challenging task due to sparse and noisy intraoperative data, real-time requirements and many unknowns - such as tissue properties and boundary conditions. Furthermore, establishing correspondences between pre- and intraoperative data can be extremely difficult since the liver usually lacks distinct surface features and the used imaging modalities suffer from very different types of noise. In this work, we train a convolutional neural network to perform both the search for surface correspondences as well as the non-rigid registration in one step. The network is trained on physically accurate biomechanical simulations of randomly generated, deforming organ-like structures. This enables the network to immediately generalize to a new patient organ without the need to re-train. We add various amounts of noise to the intraoperative surfaces during training, making the network robust to noisy intraoperative data. During inference, the network outputs the displacement field which matches the preoperative volume to the partial intraoperative surface. In multiple experiments, we show that the network translates well to real data while maintaining a high inference speed. Our code is made available online.
• Abstract（参考訳）: 非リギッド登録はソフトトイトナビゲーションの重要なコンポーネントである。 腹腔鏡下肝切除術を施行し,術前CT検査で得られた臓器モデルを腹腔鏡下に再構成した術中部分臓器表面に登録した。 これは、組織の性質や境界条件など、術中データのばらばらで騒がしいこと、リアルタイムな要求、多くの未知の問題のために難しい課題である。 さらに, 術前と術中データとの対応の確立は非常に困難であり, 肝には通常, 異なる表面的特徴が欠如しており, 使用する画像モダリティは, 非常に異なる種類のノイズに悩まされる。 本研究では,畳み込みニューラルネットワークを訓練し,表面対応の探索と非剛性登録の両方を1ステップで行う。 このネットワークは、ランダムに生成された臓器のような構造の物理的に正確な生体力学的シミュレーションで訓練されている。 これにより、ネットワークは再トレーニングを必要とせずに、すぐに新しい患者臓器に一般化できる。 トレーニング中の術中表面に様々なノイズを付加し,術中データに対するネットワークの堅牢化を図る。 推測中、ネットワークは、術前の容積と一部の術中表面とが一致する変位場を出力する。 複数の実験において,ネットワークは高い推論速度を維持しながら実データによく変換されることを示した。 私たちのコードはオンラインで利用可能です。

関連論文リスト

• Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
  クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。 本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。 臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
  論文  参考訳（メタデータ） (2024-09-18T13:40:59Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• SuPerPM: A Large Deformation-Robust Surgical Perception Framework Based on Deep Point Matching Learned from Physical Constrained Simulation Data [28.314243346768112]
  データアソシエーションのための学習に基づく非剛性点クラウドマッチングを利用する外科的知覚フレームワークSuPerPMを提案する。 提案手法は, 大規模な変形を特徴とする, 難易度の高い外科的データセット上で実証された。
  論文  参考訳（メタデータ） (2023-09-25T04:27:06Z)
• Neural Operator Learning for Ultrasound Tomography Inversion [4.759011874234158]
  我々は、フルウェーブ・ソルバを用いて、飛行時間(TOF)データと異種音速場のマッピングを学習する。 超音波断層撮影における演算子学習は,これが初めてである。
  論文  参考訳（メタデータ） (2023-04-06T15:42:17Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Orientation-guided Graph Convolutional Network for Bone Surface Segmentation [51.51690515362261]
  骨表面をセグメント化しながら接続性を向上する指向性グラフ畳み込みネットワークを提案する。 提案手法は,接続距離を5.01%向上させる。
  論文  参考訳（メタデータ） (2022-06-16T23:01:29Z)
• Anatomy-guided Multimodal Registration by Learning Segmentation without Ground Truth: Application to Intraprocedural CBCT/MR Liver Segmentation and Registration [12.861503169117208]
  マルチモーダル画像登録は、診断医療画像と画像誘導介入に多くの応用がある。 周術期獲得診断画像を周術期内環境に登録する能力は、周術期内腫瘍ターゲティングを改善する可能性がある。 対象のモダリティ基礎真理を含まないセグメンテーション学習のためのセグメンテーションネットワーク(APA2Seg-Net)に対する解剖学的保護ドメイン適応を提案する。
  論文  参考訳（メタデータ） (2021-04-14T18:07:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。