論文の概要: LIBR+: Improving Intraoperative Liver Registration by Learning the Residual of Biomechanics-Based Deformable Registration

• arxiv url: http://arxiv.org/abs/2403.06901v1
• Date: Mon, 11 Mar 2024 16:54:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 18:04:31.150024
• Title: LIBR+: Improving Intraoperative Liver Registration by Learning the Residual of Biomechanics-Based Deformable Registration
• Title（参考訳）: LIBR+:生体力学に基づく変形性レジストレーションの残量学習による肝内レジストレーションの改善
• Authors: Dingrong Wang, Soheil Azadvar, Jon Heiselman, Xiajun Jiang, Michael Miga, Linwei Wang
• Abstract要約: 線形弾性バイオメカニクスに基づく線形化反復境界再構成(LIBR)手法を利用した新しいテクスタイブリッド登録手法を提案する。 また,二分岐スプライン残差グラフ畳み込みニューラルネットワーク(SR-GCN)を定式化し,スパースおよび可変術中測定からの情報の同化を行う。
• 参考スコア（独自算出の注目度）: 6.0499389232972565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The surgical environment imposes unique challenges to the intraoperative registration of organ shapes to their preoperatively-imaged geometry. Biomechanical model-based registration remains popular, while deep learning solutions remain limited due to the sparsity and variability of intraoperative measurements and the limited ground-truth deformation of an organ that can be obtained during the surgery. In this paper, we propose a novel \textit{hybrid} registration approach that leverage a linearized iterative boundary reconstruction (LIBR) method based on linear elastic biomechanics, and use deep neural networks to learn its residual to the ground-truth deformation (LIBR+). We further formulate a dual-branch spline-residual graph convolutional neural network (SR-GCN) to assimilate information from sparse and variable intraoperative measurements and effectively propagate it through the geometry of the 3D organ. Experiments on a large intraoperative liver registration dataset demonstrated the consistent improvements achieved by LIBR+ in comparison to existing rigid, biomechnical model-based non-rigid, and deep-learning based non-rigid approaches to intraoperative liver registration.
• Abstract（参考訳）: 外科的環境は、術前に想像された形状に臓器形状の術中登録に固有の課題を課している。 バイオメカニカルモデルに基づく登録は依然として一般的であるが,術中測定のばらつきや,手術中に得られる臓器の変形が制限されるため,深層学習ソリューションは依然として限られている。 本稿では,線形弾性バイオメカニクスに基づく線形反復境界再構成(libr)法を応用し,深層ニューラルネットワークを用いて地盤変形(libr+)への残留を学習する,新しい \textit{hybrid} 登録手法を提案する。 さらに、二重分岐スプライン残差グラフ畳み込みニューラルネットワーク(SR-GCN)を定式化し、スパースおよび可変術中測定から情報を同化し、3D臓器の幾何学を通して効果的に伝播させる。 大規模な術中肝登録データセットを用いた実験では, LIBR+が既往の剛性, 生体力学的モデルに基づく非剛性, 深層学習に基づく非剛性的肝登録法と比較した。

関連論文リスト

• Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
  クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。 本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。 臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
  論文  参考訳（メタデータ） (2024-09-18T13:40:59Z)
• 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)
• 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)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• A Hybrid Approach to Full-Scale Reconstruction of Renal Arterial Network [5.953404851562665]
  腎血管ネットワークの主観的なモデルを構築するためのハイブリッドフレームワークを提案する。 我々は,大動脈の半自動分割と微小CTスキャンによる大脳皮質領域の推定を出発点として用いた。 ラット腎から得られた再建データと既存の解剖学的データとの統計的対応性を示した。
  論文  参考訳（メタデータ） (2023-03-03T10:39:25Z)
• Non-rigid Medical Image Registration using Physics-informed Neural Networks [8.7196937169933]
  軟組織の生体力学的モデリングは、医用画像の登録を制限する非データ駆動方式を提供する。 この研究は、最近提案された物理インフォームドニューラルネットワーク(PINN)を、前立腺運動をモデル化するための3次元線形弾性モデルにインスタンス化する。
  論文  参考訳（メタデータ） (2023-02-20T22:17:29Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
  RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。 本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。 実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-30T13:04:42Z)
• A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
  ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。 本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。 本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-07-09T13:35:59Z)
• F3RNet: Full-Resolution Residual Registration Network for Deformable Image Registration [21.99118499516863]
  変形性画像登録(DIR)は多くの画像誘導療法に必須である。 我々は、新しい教師なし登録ネットワーク、すなわちF3RNet(Full-Resolution Residual Registration Network)を提案する。 1つのストリームは、正確なボクセルレベルの登録を容易にするフルレゾリューション情報を利用する。 他方のストリームは、深いマルチスケールの残差表現を学習し、ロバストな認識を得る。
  論文  参考訳（メタデータ） (2020-09-15T15:05:54Z)
• Intraoperative Liver Surface Completion with Graph Convolutional VAE [10.515163959186964]
  我々は、データセットの限られたサイズを補うために、周波数領域の形状をランダムに摂動する新しいデータ拡張手法を導入する。 本手法のコアは変分オートエンコーダ (VAE) で, 肝臓の完全な形状を学習するための潜伏空間を訓練する。 この最適化の効果は、初期生成した形状の進行非剛性変形である。
  論文  参考訳（メタデータ） (2020-09-08T17:19:31Z)

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。