論文の概要: Slice and Dice: A Physicalization Workflow for Anatomical Edutainment

• arxiv url: http://arxiv.org/abs/2011.05689v1
• Date: Wed, 11 Nov 2020 10:51:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-24 11:51:19.572143
• Title: Slice and Dice: A Physicalization Workflow for Anatomical Edutainment
• Title（参考訳）: Slice and Dice: 解剖学教育のための物理化ワークフロー
• Authors: Renata G. Raidou, M. Eduard Gr\"oller, Hsiang-Yun Wu
• Abstract要約: 本稿では, 解剖学的教育のための新しい医療データ物理化手法を提案する。 当社のアプローチは、コスト効率が高く、シンプルで、作業が容易なワークフローを踏襲し、組立て可能なデータ彫刻を生み出します。 パッキングアルゴリズムは、得られたスライスにラベル、アノテーション、組み立て指示を紙または透明なサイズで配置する。
• 参考スコア（独自算出の注目度）: 1.246150324257064
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: During the last decades, anatomy has become an interesting topic in education---even for laymen or schoolchildren. As medical imaging techniques become increasingly sophisticated, virtual anatomical education applications have emerged. Still, anatomical models are often preferred, as they facilitate 3D localization of anatomical structures. Recently, data physicalizations (i.e., physical visualizations) have proven to be effective and engaging---sometimes, even more than their virtual counterparts. So far, medical data physicalizations involve mainly 3D printing, which is still expensive and cumbersome. We investigate alternative forms of physicalizations, which use readily available technologies (home printers) and inexpensive materials (paper or semi-transparent films) to generate crafts for anatomical edutainment. To the best of our knowledge, this is the first computer-generated crafting approach within an anatomical edutainment context. Our approach follows a cost-effective, simple, and easy-to-employ workflow, resulting in assemblable data sculptures (i.e., semi-transparent sliceforms). It primarily supports volumetric data (such as CT or MRI), but mesh data can also be imported. An octree slices the imported volume and an optimization step simplifies the slice configuration, proposing the optimal order for easy assembly. A packing algorithm places the resulting slices with their labels, annotations, and assembly instructions on a paper or transparent film of user-selected size, to be printed, assembled into a sliceform, and explored. We conducted two user studies to assess our approach, demonstrating that it is an initial positive step towards the successful creation of interactive and engaging anatomical physicalizations.
• Abstract（参考訳）: During the last decades, anatomy has become an interesting topic in education---even for laymen or schoolchildren. As medical imaging techniques become increasingly sophisticated, virtual anatomical education applications have emerged. Still, anatomical models are often preferred, as they facilitate 3D localization of anatomical structures. Recently, data physicalizations (i.e., physical visualizations) have proven to be effective and engaging---sometimes, even more than their virtual counterparts. これまでのところ、医療データの物理化は主に3Dプリンティングで、それでも高価で面倒だ。 容易に利用可能な技術(ホームプリンター)と安価な材料(紙や半透明フィルム)を用いて解剖学的エデュタインメントのための工芸品を生成する代替の物理化形態について検討する。 私たちの知る限りでは、解剖学的な教育の文脈において、これが初めてのコンピュータによる工芸アプローチである。 当社のアプローチはコスト効率が高く、シンプルで、作業が容易なワークフローに従い、組み立て可能なデータ彫刻(半透明スライスフォーム)を生み出します。 主にボリュームデータ(CTやMRIなど)をサポートするが、メッシュデータもインポートできる。 octreeは、インポートしたボリュームをスライスし、最適化ステップは、スライス構成を単純化し、組み立てが容易な最適な順序を提案する。 パッキングアルゴリズムは、ユーザが選択したサイズの紙や透明なフィルムにラベル、アノテーション、アセンブリ命令でスライスを配置し、印刷し、スライスフォームに組み立て、探索する。 このアプローチを評価するために,我々は2つのユーザ調査を行い,インタラクティブで魅力的な解剖学的物理化を成功させるための最初のポジティブなステップであることを実証した。

関連論文リスト

• SimEndoGS: Efficient Data-driven Scene Simulation using Robotic Surgery Videos via Physics-embedded 3D Gaussians [19.590481146949685]
  立体内視鏡画像から3D Gaussianを学習可能な手術シーンの表現として紹介する。 本研究では3次元ガウスに物理特性を統合したマテリアルポイント法を適用し,現実的なシーン変形を実現する。 以上の結果から,内視鏡的画像から外科的シーンを効率的に再構成し,シミュレートし,外科的シーンを再構築するのにほんの数分しか要しないことが明らかとなった。
  論文  参考訳（メタデータ） (2024-05-02T02:34:19Z)
• MedShapeNet -- A Large-Scale Dataset of 3D Medical Shapes for Computer Vision [119.29105800342779]
  MedShapeNetは、医療アプリケーションへのデータ駆動ビジョンアルゴリズムの翻訳を容易にするために開発された。 ユニークな特徴として、実際の患者の画像データに基づいて、形状の大部分を直接モデル化する。 私たちのデータは、WebインターフェースとPythonアプリケーションプログラミングインターフェース(API)を介して自由にアクセスでき、差別的、再構成的、変動的なベンチマークに使用できます。
  論文  参考訳（メタデータ） (2023-08-30T16:52:20Z)
• Weakly Supervised 3D Open-vocabulary Segmentation [104.07740741126119]
  学習済み基礎モデルCLIPとDINOを弱教師付きで活用することで,3次元オープン語彙セグメンテーションの課題に取り組む。 我々はCLIPとDINOのオープン語彙多様知識とオブジェクト推論能力をニューラルラディアンス場(NeRF)に蒸留する。 提案手法の特筆すべき点は,基礎モデルや蒸留プロセスに手動セグメンテーションアノテーションを必要としない点である。
  論文  参考訳（メタデータ） (2023-05-23T14:16:49Z)
• Anatomical Landmarks Localization for 3D Foot Point Clouds [3.1918817988202606]
  本稿では3次元解剖学的ランドマーク予測のための変形法を提案する。 臨床医によって注釈付けされた解剖学的ランドマークを持つソースモデルを使用し、ターゲットモデルにマッチするように、このモデルを厳格に変形させる。 データセット上で実験を行い,本手法のロバスト性を実証した。
  論文  参考訳（メタデータ） (2021-10-03T06:24:40Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• Learning to Segment Human Body Parts with Synthetically Trained Deep Convolutional Networks [58.0240970093372]
  本稿では,合成データのみを用いて学習した深部畳み込みニューラルネットワークに基づく人体部分分割のための新しい枠組みを提案する。 提案手法は,人体部品の実際の注釈付きデータを用いてモデルを訓練することなく,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-02-02T12:26:50Z)
• Relational Graph Learning on Visual and Kinematics Embeddings for Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
  本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。 本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
  論文  参考訳（メタデータ） (2020-11-03T11:00:10Z)
• The Anatomical Edutainer [0.47267770920095525]
  Anatomical Edutainerは、有形で対話的な解剖学のエデュタインメントのための、簡単で、アクセスしやすく、手頃な価格の物理化を導くためのワークフローである。 Anatomical Edutainerは、2Dプリントと3D折り畳み可能な物理化をサポートしている。
  論文  参考訳（メタデータ） (2020-10-16T10:40:12Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• Self-supervised Representation Learning for Ultrasound Video [18.515314344284445]
  本稿では,医用画像から有意義かつ伝達可能な表現を学習するための自己教師型学習手法を提案する。 我々は、データ自体から自由に監視することで、解剖学的タスクに対処するようモデルに強制する。 胎児超音波ビデオ実験により,提案手法が有意義で強い表現を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2020-02-28T23:00:26Z)

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。