論文の概要: Twin-S: A Digital Twin for Skull-base Surgery
- arxiv url: http://arxiv.org/abs/2211.11863v1
- Date: Mon, 21 Nov 2022 21:33:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 19:32:50.822308
- Title: Twin-S: A Digital Twin for Skull-base Surgery
- Title(参考訳): Twin-S:スカルベース手術のためのデジタルツイン
- Authors: Hongchao Shu, Ruixing Liang, Zhaoshuo Li, Anna Goodridge, Xiangyu
Zhang, Hao Ding, Nimesh Nagururu, Manish Sahu, Francis X. Creighton, Russell
H. Taylor, Adnan Munawar and Mathias Unberath
- Abstract要約: デジタルツイン(Digital twins)は、現実世界の仮想インタラクティブモデルであり、同一の挙動と特性を示す。
外科的応用では、デジタル双生児の計算分析を用いて状況認識を高めることができる。
本稿では,頭蓋底手術のためのデジタルツインフレームワークTwin-Sについて述べる。
- 参考スコア(独自算出の注目度): 14.323901431687672
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Digital twins are virtual interactive models of the real world,
exhibiting identical behavior and properties. In surgical applications,
computational analysis from digital twins can be used, for example, to enhance
situational awareness. Methods: We present a digital twin framework for
skull-base surgeries, named Twin-S, which can be integrated within various
image-guided interventions seamlessly. Twin-S combines high-precision optical
tracking and real-time simulation. We rely on rigorous calibration routines to
ensure that the digital twin representation precisely mimics all real-world
processes. Twin-S models and tracks the critical components of skull-base
surgery, including the surgical tool, patient anatomy, and surgical camera.
Significantly, Twin-S updates and reflects real-world drilling of the
anatomical model in frame rate. Results: We extensively evaluate the accuracy
of Twin-S, which achieves an average 1.39 mm error during the drilling process.
We further illustrate how segmentation masks derived from the continuously
updated digital twin can augment the surgical microscope view in a mixed
reality setting, where bone requiring ablation is highlighted to provide
surgeons additional situational awareness. Conclusion: We present Twin-S, a
digital twin environment for skull-base surgery. Twin-S tracks and updates the
virtual model in real-time given measurements from modern tracking
technologies. Future research on complementing optical tracking with
higher-precision vision-based approaches may further increase the accuracy of
Twin-S.
- Abstract(参考訳): 目的:デジタル双生児は現実世界の仮想インタラクティブモデルであり、同一の行動や特性を示す。
外科的応用では、例えば、デジタル双生児の計算分析を用いて状況認識を高めることができる。
方法:我々はtwin-sと呼ばれる頭蓋骨ベース手術のためのデジタル・ツイン・フレームワークを提案する。
Twin-Sは高精度光追跡とリアルタイムシミュレーションを組み合わせる。
我々は、デジタル双対表現が現実世界のすべてのプロセスを正確に模倣することを保証するために厳密な校正ルーチンに依存している。
twin-sは、手術用具、患者の解剖学、外科用カメラなど、頭蓋骨ベース手術の重要な要素をモデル化し追跡する。
興味深いことに、ツインsはフレームレートで解剖モデルの実世界のドリルングを更新、反映する。
結果: 掘削過程で平均1.39mmの誤差が得られるツインSの精度を広範囲に評価した。
さらに, 連続的に更新されたデジタル双生児由来のセグメンテーションマスクは, 複合現実環境下での手術用顕微鏡の視野を増強し, 骨のアブレーションを強調することにより, 外科医にさらなる状況認識を与える。
結語:Twin-Sは頭蓋底手術のためのデジタル双生児環境である。
Twin-Sは、最新のトラッキング技術からリアルタイムで仮想モデルを追跡、更新する。
高精度ビジョンベースアプローチによる光追跡の補完に関する今後の研究は、ツインsの精度をさらに高めるかもしれない。
関連論文リスト
- Non-Invasive Medical Digital Twins using Physics-Informed
Self-Supervised Learning [15.863958851499099]
デジタルツイン(Digital twin)は、数学的モデリングを用いてその定義する特徴を特徴づけ、シミュレートする現実世界の物理現象の仮想レプリカである。
非侵襲的な患者健康データのみを用いてデジタル双対モデルパラメータを同定する手法を提案する。
論文 参考訳(メタデータ) (2024-02-29T23:04:42Z) - S^2Former-OR: Single-Stage Bimodal Transformer for Scene Graph
Generation in OR [52.964721233679406]
外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である
これまでの研究は主に、ポーズ推定とオブジェクト検出を伴う中間プロセスに依存するセマンティックシーングラフを生成する多段階学習に依存してきた。
本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGの単一段バイモーダルトランスフォーマフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-22T11:40:49Z) - Probing the Limits and Capabilities of Diffusion Models for the Anatomic
Editing of Digital Twins [0.9628617363701458]
本稿では,デジタル双生児の解剖学的変異を編集する潜在拡散モデルの能力について検討する。
我々は特にデジタル双生児を編集し、異なる空間スケールおよび局所領域で解剖学的変異を導入する。
論文 参考訳(メタデータ) (2023-12-30T14:21:30Z) - 3DSAM-adapter: Holistic Adaptation of SAM from 2D to 3D for Promptable
Medical Image Segmentation [56.50064853710202]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳(メタデータ) (2023-06-23T12:09:52Z) - View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。
まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。
第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。
第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
論文 参考訳(メタデータ) (2022-09-20T11:58:23Z) - Spatiotemporal Feature Learning Based on Two-Step LSTM and Transformer
for CT Scans [2.3682456328966115]
我々は、新型コロナウイルスの症状分類を徹底的に行うための、新しい、効果的、2段階のアプローチを提案する。
まず,従来のバックボーンネットワークにより,CTスキャンにおける各スライスの意味的特徴埋め込みを抽出する。
そこで我々は,時間的特徴学習を扱うために,LSTMとTransformerベースのサブネットワークを提案する。
論文 参考訳(メタデータ) (2022-07-04T16:59:05Z) - SpineNetV2: Automated Detection, Labelling and Radiological Grading Of
Clinical MR Scans [70.04389979779195]
SpineNetV2は、臨床脊髄磁気共鳴(MR)スキャンで脊椎を検知し、ラベル付けする自動化ツールである。
また、T2強調スキャンで腰椎椎間板のX線学的グレーディングを行い、様々な一般的な変性変化を観察する。
論文 参考訳(メタデータ) (2022-05-03T15:05:58Z) - HDL: Hybrid Deep Learning for the Synthesis of Myocardial Velocity Maps
in Digital Twins for Cardiac Analysis [12.999677043271133]
本稿では,合成3Dir MVMデータを対象としたハイブリッドディープラーニング(HDL)ネットワークを提案する。
提案アルゴリズムは高時間分解能3Dir MVM CMRデータの合成に成功している。
この研究は、3Dir MVM CMRのデジタル双対を調査した最初の論文である。
論文 参考訳(メタデータ) (2022-03-09T23:22:56Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳(メタデータ) (2021-12-20T03:38:37Z) - A Probabilistic Graphical Model Foundation for Enabling Predictive
Digital Twins at Scale [0.0]
結合ダイナミクスシステムの集合として、アセットツインシステムの抽象化を作成します。
本研究では,無人航空機のディジタル双対構造を実現するために,モデルがどのようにインスタンス化されるかを実証する。
論文 参考訳(メタデータ) (2020-12-10T17:33:59Z) - Single-shot Hyperspectral-Depth Imaging with Learned Diffractive Optics [72.9038524082252]
単発単眼単眼ハイパースペクトル(HS-D)イメージング法を提案する。
本手法では, 回折光学素子 (DOE) を用いる。
DOE の学習を容易にするため,ベンチトップ HS-D イメージラーを構築することで,最初の HS-D データセットを提案する。
論文 参考訳(メタデータ) (2020-09-01T14:19:35Z)
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。