論文の概要: SplineFormer: An Explainable Transformer-Based Approach for Autonomous Endovascular Navigation
- arxiv url: http://arxiv.org/abs/2501.04515v1
- Date: Wed, 08 Jan 2025 14:05:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-09 14:54:51.012382
- Title: SplineFormer: An Explainable Transformer-Based Approach for Autonomous Endovascular Navigation
- Title（参考訳）: SplineFormer: 自律的血管内ナビゲーションのための説明可能なトランスフォーマーベースのアプローチ
- Authors: Tudor Jianu, Shayan Doust, Mengyun Li, Baoru Huang, Tuong Do, Hoan Nguyen, Karl Bates, Tung D. Ta, Sebastiano Fichera, Pierre Berthet-Rayne, Anh Nguyen,
- Abstract要約: 従来のセグメンテーション手法では正確なリアルタイム形状予測が得られなかった。
本研究では,ガイドワイヤの連続的かつ滑らかな形状を予測することを目的として,新しいトランスフォーマーベースのアーキテクチャであるSplineFormerを提案する。
コンデンス情報を活用することで,SplineFormerをエンドツーエンドのロボットナビゲーションシステムに統合する。
- 参考スコア（独自算出の注目度）: 8.784945912952743
- License:
- Abstract: Endovascular navigation is a crucial aspect of minimally invasive procedures, where precise control of curvilinear instruments like guidewires is critical for successful interventions. A key challenge in this task is accurately predicting the evolving shape of the guidewire as it navigates through the vasculature, which presents complex deformations due to interactions with the vessel walls. Traditional segmentation methods often fail to provide accurate real-time shape predictions, limiting their effectiveness in highly dynamic environments. To address this, we propose SplineFormer, a new transformer-based architecture, designed specifically to predict the continuous, smooth shape of the guidewire in an explainable way. By leveraging the transformer's ability, our network effectively captures the intricate bending and twisting of the guidewire, representing it as a spline for greater accuracy and smoothness. We integrate our SplineFormer into an end-to-end robot navigation system by leveraging the condensed information. The experimental results demonstrate that our SplineFormer is able to perform endovascular navigation autonomously and achieves a 50% success rate when cannulating the brachiocephalic artery on the real robot.
- Abstract（参考訳）: 血管内ナビゲーションは最小限の侵襲的な手順の重要な側面であり、ガイドワイヤのようなカービリニア機器の正確な制御は、介入の成功に不可欠である。
この課題の鍵となる課題は、血管壁との相互作用による複雑な変形を示す血管を通って移動するガイドワイヤの進化形状を正確に予測することである。
従来のセグメンテーション手法は、しばしば正確なリアルタイム形状予測を提供しず、非常にダイナミックな環境での有効性を制限している。
そこで本研究では,ガイドワイヤの連続的かつ滑らかな形状を説明可能な方法で予測することを目的とした,新しいトランスフォーマーベースのアーキテクチャであるSplineFormerを提案する。
変換器の能力を活用して,ガイドワイヤの複雑な曲げ・ねじれを効果的に捉え,より高精度で滑らかなスプラインとして表現する。
コンデンス情報を活用することで,SplineFormerをエンドツーエンドのロボットナビゲーションシステムに統合する。
実験の結果,我々のSplineFormerは自律的に血管内ナビゲーションを行い,脳幹動脈を本物のロボットに流すと50%の成功率を達成することができた。
関連論文リスト
- CARE Transformer: Mobile-Friendly Linear Visual Transformer via Decoupled Dual Interaction [77.8576094863446]
本稿では,新しいdetextbfCoupled dutextbfAl-interactive lineatextbfR atttextbfEntion (CARE) 機構を提案する。
まず,非対称な特徴分離戦略を提案し,非対称的に学習プロセスを局所帰納バイアスと長距離依存に分解する。
分離学習方式を採用し,特徴間の相補性を完全に活用することにより,高い効率性と精度を両立させることができる。
論文 参考訳（メタデータ） (2024-11-25T07:56:13Z) - Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。
まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。
このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
論文 参考訳（メタデータ） (2024-06-21T13:48:37Z) - Machine Learning-Based Path Loss Modeling with Simplified Features [0.0]
Obstacle depthは、無線信号の伝搬を予測するための、合理化されているが驚くほど正確な方法を提供する。
本稿では,環境情報を用いた予測手法を提案する。
論文 参考訳（メタデータ） (2024-05-16T11:46:39Z) - The Information Pathways Hypothesis: Transformers are Dynamic
Self-Ensembles [24.52890377175555]
本研究では,学習中の自己注意の記憶と計算コストを4～8倍に削減できる変圧器の汎用的学習戦略を提案する。
本研究では,ネットワーク内のサブサンプリング経路からサブモデルのアンサンブルを生成できることを示す。
論文 参考訳（メタデータ） (2023-06-02T17:28:46Z) - Autonomous Intraluminal Navigation of a Soft Robot using
Deep-Learning-based Visual Servoing [13.268863900187025]
そこで本研究では,3Dプリント型内視鏡ソフトロボットによる光内ナビゲーションのためのシナジーソリューションを提案する。
畳み込みニューラルネットワーク(CNN)に基づくビジュアルサーボは、自律的なナビゲーションタスクを達成するために使用される。
提案するロボットは、異なる経路構成の解剖学的ファントムで検証される。
論文 参考訳（メタデータ） (2022-07-01T13:17:45Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait
Representation [78.92147339883137]
本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。
本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。
生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
論文 参考訳（メタデータ） (2022-05-02T19:49:53Z) - Transformers Solve the Limited Receptive Field for Monocular Depth
Prediction [82.90445525977904]
畳み込みニューラルネットワークとトランスの両方の恩恵を受けるアーキテクチャであるTransDepthを提案します。
連続ラベルを含む画素単位での予測問題にトランスフォーマーを適用する最初の論文である。
論文 参考訳（メタデータ） (2021-03-22T18:00:13Z) - End-to-end Lane Shape Prediction with Transformers [13.103463647059634]
車線検出は、車両の車線離脱警告と適応クルーズ制御に広く用いられている。
レーン形状モデルのパラメータを直接出力するエンドツーエンド手法を提案する。
提案手法はTuSimpleベンチマークで検証され,最も軽量なモデルサイズと高速な速度で最先端の精度を示す。
論文 参考訳（メタデータ） (2020-11-09T07:42:55Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z)
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。