論文の概要: Multicenter Assessment of Augmented Reality Registration Methods for Image-guided Interventions

• arxiv url: http://arxiv.org/abs/2012.02319v1
• Date: Thu, 3 Dec 2020 23:05:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 14:38:06.961442
• Title: Multicenter Assessment of Augmented Reality Registration Methods for Image-guided Interventions
• Title（参考訳）: 画像誘導インターベンションのための拡張現実登録手法のマルチセンター評価
• Authors: Ningcheng Li, Jonathan Wakim, Yilun Koethe, Timothy Huber, Terence Gade, Stephen Hunt, Brian Park
• Abstract要約: 臨床研修の18人の参加者がHoloLens 2拡張現実ヘッドセットを使用してCTグリッドに3D CTファントムモデルを登録した。 手動の登録時間はHoloLens 2とHoloLens 1で更新された手動操作により大幅に減少した。 受講生,住民,同級生,医学生の登録時間に有意差は認められなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: To evaluate manual and automatic registration times as well as accuracy with augmented reality during alignment of a holographic 3-dimensional (3D) model onto the real-world environment. Method: 18 participants in various stages of clinical training across two academic centers registered a 3D CT phantom model onto a CT grid using the HoloLens 2 augmented reality headset 3 consecutive times. Registration times and accuracy were compared among different registration methods (hand gesture, Xbox controller, and automatic registration), levels of clinical experience, and consecutive attempts. Registration times were also compared with prior HoloLens 1 data. Results: Mean aggregate manual registration times were 27.7, 24.3, and 72.8 seconds for one-handed gesture, two-handed gesture, and Xbox controller, respectively; mean automatic registration time was 5.3s (ANOVA p<0.0001). No significant difference in registration times was found among attendings, residents and fellows, and medical students (p>0.05). Significant improvements in registration times were detected across consecutive attempts using hand gestures (p<0.01). Compared with previously reported HoloLens 1 experience, hand gesture registration times were 81.7% faster (p<0.05). Registration accuracies were not significantly different across manual registration methods, measuring at 5.9, 9.5, and 8.6 mm with one-handed gesture, two-handed gesture, and Xbox controller, respectively (p>0.05). Conclusions: Manual registration times decreased significantly with updated hand gesture maneuvers on HoloLens 2 versus HoloLens 1, approaching the registration times of automatic registration and outperforming Xbox controller mediated registration. These results will encourage wider clinical integration of HoloLens 2 in procedural medical care.
• Abstract（参考訳）: 目的: ホログラフィック3次元(3D)モデルを実環境にアライメントする際に, 手動および自動登録時間と拡張現実による精度を評価すること。 方法: HoloLens 2拡張現実ヘッドセットを3回連続して3次元CTファントムモデルをCTグリッドに登録した。 登録期間と精度は, 異なる登録方法(ハンドジェスチャー, xboxコントローラ, 自動登録), 臨床経験レベル, 連続試行で比較した。 登録期間もhololens 1のデータと比較された。 結果: 片手ジェスチャ, 両手ジェスチャ, xboxコントローラでは, 平均マニュアル登録時間は27.7秒, 24.3秒, 72.8秒であり, 自動登録時間は5.3秒であった(anova p<0.0001)。 参加者,住民,フェロー,医学生の間では,登録期間に有意な差は認められなかった (p>0.05)。 ハンドジェスチャを用いた連続的試みにおいて,登録時間の大幅な改善が認められた(p<0.01。 前回報告されたhololens 1の体験と比較して、ハンドジェスチャの登録時間は81.7%速く(p<0.05)。 登録精度は手動の登録方法によって大きく異なり、片手ジェスチャー、片手ジェスチャー、Xboxコントローラー(p>0.05)で5.9、9.5、8.6mmであった。 結論: 手動の登録時間はHoloLens 2とHoloLens 1で更新された手動操作によって大幅に減少した。 これらの結果は、手続き医療におけるHoloLens 2の広範な臨床統合を促進する。

関連論文リスト

• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• Automatic registration with continuous pose updates for marker-less surgical navigation in spine surgery [52.63271687382495]
  本研究では, 腰部脊柱管固定術の登録問題を, 無放射線で自動的に解決するアプローチを提案する。 深部神経ネットワークは、腰椎を分割し、その方向を同時に予測するように訓練され、前手術モデルに対する最初のポーズが得られた。 拡張現実ベースのナビゲーションシステムとの統合により、直感的な外科的ガイダンスが提供される。
  論文  参考訳（メタデータ） (2023-08-05T16:26:41Z)
• GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
  学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。 我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。 提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
  論文  参考訳（メタデータ） (2023-06-26T13:32:09Z)
• ORRN: An ODE-based Recursive Registration Network for Deformable Respiratory Motion Estimation with Lung 4DCT Images [7.180268723513929]
  変形可能な画像登録(DIR)は、医療データにおける変形の定量化に重要な役割を果たす。 近年のDeep Learning法では,医用画像の登録に有望な精度とスピードアップが示されている。 本稿では,正規微分方程式(ODE)に基づく再帰画像登録ネットワークORRNを提案する。
  論文  参考訳（メタデータ） (2023-05-24T03:26:26Z)
• Agile gesture recognition for capacitive sensing devices: adapting on-the-job [55.40855017016652]
  本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。 コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。 機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
  論文  参考訳（メタデータ） (2023-05-12T17:24:02Z)
• Design of Human Machine Interface through vision-based low-cost Hand Gesture Recognition system based on deep CNN [3.5665681694253903]
  リアルタイムの手ジェスチャー認識システムを用いたヒューマンコンピュータインタフェース(HCI)を提案する。 本システムは,手検出,(2)ジェスチャーセグメンテーション,(3)移動学習による6つの事前学習CNNモデルの使用,(4)対話型ヒューマンマシンインタフェースの構築,(5)ジェスチャー制御仮想マウスの開発,の6段階からなる。
  論文  参考訳（メタデータ） (2022-07-07T06:50:08Z)
• SAME: Deformable Image Registration based on Self-supervised Anatomical Embeddings [16.38383865408585]
  この研究は、ピクセルレベルでの2つの画像間の密度の高い解剖学的/意味的対応を計算できる最近のアルゴリズムSAMに基づいて構築されている。 本手法は, 画像登録をアフィン変換, 粗変形, 深部変形可能な3段階に分割する。
  論文  参考訳（メタデータ） (2021-09-23T18:03:11Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• Supervision by Registration and Triangulation for Landmark Detection [70.13440728689231]
  本稿では,マルチビュー映像を用いた教師なし手法である登録・三角測量(srt)による監視を行い,ランドマーク検出器の精度と精度を向上させる。 ラベルのないデータを活用することで、検出者は大量のラベルのないデータから自由に学べる。
  論文  参考訳（メタデータ） (2021-01-25T02:48:21Z)
• A Machine Learning Early Warning System: Multicenter Validation in Brazilian Hospitals [4.659599449441919]
  臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。 Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。 機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
  論文  参考訳（メタデータ） (2020-06-09T21:21:38Z)
• A Multiple Decoder CNN for Inverse Consistent 3D Image Registration [18.017296651822857]
  ディープラーニング技術は、登録時間を劇的に削減し、登録精度を向上している。 逆整合性を持つ登録フレームワークを提案する。 我々は,LPBA40 MRIデータセット上で,この手法のトレーニングと試験を行い,高い性能を示す。
  論文  参考訳（メタデータ） (2020-02-15T23:23:09Z)

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。