論文の概要: Pelphix: Surgical Phase Recognition from X-ray Images in Percutaneous
Pelvic Fixation
- arxiv url: http://arxiv.org/abs/2304.09285v1
- Date: Tue, 18 Apr 2023 20:48:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-20 16:16:24.381680
- Title: Pelphix: Surgical Phase Recognition from X-ray Images in Percutaneous
Pelvic Fixation
- Title(参考訳): 骨盤内固定術におけるX線画像からのPelphix
- Authors: Benjamin D. Killeen, Han Zhang, Jan Mangulabnan, Mehran Armand, Russel
H. Taylor, Greg Osgood, Mathias Unberath
- Abstract要約: 外科的位相認識(SPR)は、現代の手術劇場のデジタルトランスフォーメーションにおいて重要な要素である。
本稿では,X線ガイド下骨盤内骨折に対するSPRの最初のアプローチであるPelphixについて紹介する。
ボニー回廊, 工具, 解剖学の検出から追加の監督を行うことで, 画像表現をトランスフォーマーモデルに入力し, 外科的位相を遅らせる。
提案手法はX線に基づくSPRの実現可能性を示し,シミュレーションシーケンスの平均精度は93.8%,キャダバーでは67.57%である。
- 参考スコア(独自算出の注目度): 11.805185173756708
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Surgical phase recognition (SPR) is a crucial element in the digital
transformation of the modern operating theater. While SPR based on video
sources is well-established, incorporation of interventional X-ray sequences
has not yet been explored. This paper presents Pelphix, a first approach to SPR
for X-ray-guided percutaneous pelvic fracture fixation, which models the
procedure at four levels of granularity -- corridor, activity, view, and frame
value -- simulating the pelvic fracture fixation workflow as a Markov process
to provide fully annotated training data. Using added supervision from
detection of bony corridors, tools, and anatomy, we learn image representations
that are fed into a transformer model to regress surgical phases at the four
granularity levels. Our approach demonstrates the feasibility of X-ray-based
SPR, achieving an average accuracy of 93.8% on simulated sequences and 67.57%
in cadaver across all granularity levels, with up to 88% accuracy for the
target corridor in real data. This work constitutes the first step toward SPR
for the X-ray domain, establishing an approach to categorizing phases in
X-ray-guided surgery, simulating realistic image sequences to enable machine
learning model development, and demonstrating that this approach is feasible
for the analysis of real procedures. As X-ray-based SPR continues to mature, it
will benefit procedures in orthopedic surgery, angiography, and interventional
radiology by equipping intelligent surgical systems with situational awareness
in the operating room.
- Abstract(参考訳): 外科的位相認識(spr)は現代の手術劇場のデジタルトランスフォーメーションにおいて重要な要素である。
ビデオソースに基づくSPRは確立されているが、干渉X線シーケンスの組み入れはまだ検討されていない。
本稿では, 骨盤骨折固定ワークフローをマルコフプロセスとしてシミュレートし, 完全にアノテートされたトレーニングデータを提供するために, 骨盤骨折固定ワークフローをシミュレートした4段階の粒度(回廊, 活動, ビュー, フレーム値)の手順をモデル化したx線経皮的骨盤骨折固定法に対する最初のアプローチであるpelphixを提案する。
骨回廊,道具,解剖学の検出からさらに監督を加え,トランスフォーマーモデルに入力された画像表現を学習し,手術相を4つの粒度レベルで後退させる。
提案手法は,X線を用いたSPRの実現可能性を示し,シミュレーションシーケンスの平均精度は93.8%,キャダバーの平均精度は67.57%であり,実データにおける目標回廊の精度は最大88%である。
この研究は、x線領域のsprへの第一歩であり、x線誘導手術の段階を分類するアプローチを確立し、リアルな画像シーケンスをシミュレートして機械学習モデルの開発を可能にし、このアプローチが実際の手順の分析に有効であることを実証する。
x線ベースのsprは成熟を続けており、手術室でインテリジェントな手術システムと状況認識を組み合わせることで整形外科手術、血管造影、および介入放射線学の処置に役立つ。
関連論文リスト
- Data-Centric Learning Framework for Real-Time Detection of Aiming Beam in Fluorescence Lifetime Imaging Guided Surgery [3.8261910636994925]
本研究では,FLImを用いたリアルタイム手術指導のための新しいデータ中心アプローチを提案する。
第一の課題は,特に経口ロボット手術(TORS)における手術環境における複雑で変動的な状態から生じる。
ラベルノイズの最小化と検出ロバスト性の向上により精度を向上させるデータ中心のトレーニング戦略を用いて,インスタンスセグメンテーションモデルを開発した。
論文 参考訳(メタデータ) (2024-11-11T22:04:32Z) - SX-Stitch: An Efficient VMS-UNet Based Framework for Intraoperative Scoliosis X-Ray Image Stitching [11.33670620110502]
側頭症手術では、C-arm X-ray マシンの視野が制限され、手術者の脊髄構造の全体的分析が制限される。
本論文は,SX-Stitch と名づけられた側頭症手術における術中X線画像縫合法について述べる。
論文 参考訳(メタデータ) (2024-09-09T14:49:54Z) - 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) - Domain adaptation strategies for 3D reconstruction of the lumbar spine using real fluoroscopy data [9.21828361691977]
本研究は整形外科手術における手術ナビゲーション導入における重要な障害に対処するものである。
これは、少数の蛍光画像から脊椎の3次元解剖モデルを生成するためのアプローチを示す。
これまでの合成データに基づく研究の精度に匹敵する84%のF1スコアを達成しました。
論文 参考訳(メタデータ) (2024-01-29T10:22:45Z) - X-Ray to CT Rigid Registration Using Scene Coordinate Regression [1.1687067206676627]
本稿では,極端視点に頑健な完全自動登録手法を提案する。
これは、与えられたX線画像の重なり合う座標を回帰する完全な畳み込みニューラルネットワーク(CNN)に基づいている。
提案手法は, 模擬試験データセットの50パーセンタイルにおける平均平均目標登録誤差(mTRE)を3.79mmとし, ペルビス登録のための実フルオロスコープ画像の50パーセンタイルにおける平均目標登録誤差(mTRE)を9.65mmと予測した。
論文 参考訳(メタデータ) (2023-11-25T17:48:46Z) - 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) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳(メタデータ) (2022-12-26T13:56:12Z) - Optimising Chest X-Rays for Image Analysis by Identifying and Removing
Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。
公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文 参考訳(メタデータ) (2022-08-22T13:57:04Z) - Surgical Phase Recognition in Laparoscopic Cholecystectomy [57.929132269036245]
本稿では,2段階推論パイプラインのキャリブレーションされた信頼度スコアを利用するTransformerに基づく手法を提案する。
提案手法はColec80データセットのベースラインモデルよりも優れており,様々なアクションセグメンテーション手法に適用できる。
論文 参考訳(メタデータ) (2022-06-14T22:55:31Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z)
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。