Fugu-MT 論文翻訳(概要): SuPerPM: A Large Deformation-Robust Surgical Perception Framework Based on Deep Point Matching Learned from Physical Constrained Simulation Data

論文の概要: SuPerPM: A Large Deformation-Robust Surgical Perception Framework Based on Deep Point Matching Learned from Physical Constrained Simulation Data

arxiv url: http://arxiv.org/abs/2309.13863v1
Date: Mon, 25 Sep 2023 04:27:06 GMT
ステータス: 処理完了
システム内更新日: 2023-09-26 17:02:10.991445
Title: SuPerPM: A Large Deformation-Robust Surgical Perception Framework Based on Deep Point Matching Learned from Physical Constrained Simulation Data
Title（参考訳）: SuPerPM:物理拘束シミュレーションデータから学習した深部点マッチングに基づく大変形型外科的知覚フレームワーク
Authors: Shan Lin, Albert J. Miao, Ali Alabiad, Fei Liu, Kaiyuan Wang, Jingpei Lu, Florian Richter, Michael C. Yip
Abstract要約: 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。
参考スコア（独自算出の注目度）: 29.533743644816774
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Manipulation of tissue with surgical tools often results in large deformations that current methods in tracking and reconstructing algorithms have not effectively addressed. A major source of tracking errors during large deformations stems from wrong data association between observed sensor measurements with previously tracked scene. To mitigate this issue, we present a surgical perception framework, SuPerPM, that leverages learning-based non-rigid point cloud matching for data association, thus accommodating larger deformations. The learning models typically require training data with ground truth point cloud correspondences, which is challenging or even impractical to collect in surgical environments. Thus, for tuning the learning model, we gather endoscopic data of soft tissue being manipulated by a surgical robot and then establish correspondences between point clouds at different time points to serve as ground truth. This was achieved by employing a position-based dynamics (PBD) simulation to ensure that the correspondences adhered to physical constraints. The proposed framework is demonstrated on several challenging surgical datasets that are characterized by large deformations, achieving superior performance over state-of-the-art surgical scene tracking algorithms.
Abstract（参考訳）: 手術器具による組織の操作は、しばしば、現在のアルゴリズムの追跡と再構築の方法が効果的に対処していない大きな変形をもたらす。大変形時の追跡誤差の主な原因は、観測されたセンサ測定と予め追跡されたシーンとの誤ったデータ関係にある。この問題を軽減するために,データアソシエーションのための学習ベースの非剛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。学習モデルは通常、基底的真理点クラウド対応のトレーニングデータを必要とするが、手術環境での収集には困難または非現実的である。そこで,学習モデルのチューニングのために,手術ロボットによって操作される軟部組織の内視鏡データを収集し,異なる時点における点雲間の対応関係を確立し,基底的真理として機能する。これは、位置ベース力学(PBD)シミュレーションを用いて、対応が物理的制約に従うことを保証することで達成された。提案手法は, 最先端の手術シーン追跡アルゴリズムよりも優れた性能を実現し, 大規模な変形を特徴とする難易度の高い外科用データセット上で実証された。

関連論文リスト

Synthetic Data for Robust Stroke Segmentation [0.0]
ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
論文参考訳（メタデータ） (2024-04-02T13:42:29Z)
Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。 BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
論文参考訳（メタデータ） (2023-11-10T14:04:49Z)
Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
論文参考訳（メタデータ） (2023-06-27T14:41:18Z)
Generating artificial digital image correlation data using physics-guided adversarial networks [2.07180164747172]
デジタル画像相関 (DIC) は, き裂標本の機械的実験を監視し評価するための貴重なツールとなっている。実補間DIC変位に類似したクラック試験片の大量の人工変位データを直接生成する手法を提案する。
論文参考訳（メタデータ） (2023-03-28T12:52:40Z)
Predicting Loose-Fitting Garment Deformations Using Bone-Driven Motion Networks [63.596602299263935]
本稿では,骨駆動型モーションネットワークを用いて,ゆるやかな衣服メッシュの変形を対話的に予測する学習アルゴリズムを提案する。提案手法は,メッシュ変形の予測精度を約20%,ハウスドルフ距離とSTEDで約10%向上させる。
論文参考訳（メタデータ） (2022-05-03T07:54:39Z)
Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文参考訳（メタデータ） (2021-11-08T07:57:30Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
PhysGNN: A Physics-Driven Graph Neural Network Based Model for Predicting Soft Tissue Deformation in Image-Guided Neurosurgery [0.15229257192293202]
グラフニューラルネットワーク(GNN)を利用した有限要素解析(FEA)の解を近似したデータ駆動モデルを提案する。提案アーキテクチャであるPhysGNNは,神経外科的設定に適した計算可能でありながら,正確かつ高速な軟部組織変形近似を約束する。
論文参考訳（メタデータ） (2021-09-09T15:43:59Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
The unreasonable effectiveness of Batch-Norm statistics in addressing catastrophic forgetting across medical institutions [8.244654685687054]
モデル改良と事前学習した知識の保持のトレードオフについて検討する。本稿では,従来のデータセットのグローバルバッチ正規化統計値を用いて,弾性重み付け(EWC)を適応する,単純で効果的な手法を提案する。
論文参考訳（メタデータ） (2020-11-16T16:57:05Z)
Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。