論文の概要: Semantic-ICP: Iterative Closest Point for Non-rigid Multi-Organ Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2503.00972v2
• Date: Mon, 15 Sep 2025 19:44:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 15:46:32.58205
• Title: Semantic-ICP: Iterative Closest Point for Non-rigid Multi-Organ Point Cloud Registration
• Title（参考訳）: セマンティックICP:非厳密なマルチオーガンポイントクラウド登録のための反復的クローズストポイント
• Authors: Wanwen Chen, Carson Studders, Jamie J. Y. Kwon, Emily H. T. Pang, Eitan Prisman, Septimiu E. Salcudean,
• Abstract要約: 本稿では,複数点ラベルを扱い,線形弾性エネルギー正規化を用いる新しい意味的反復閉点(ICP)法を提案する。 セマンティックラベルを用いて、最も近い点マッチングの堅牢性を向上し、明示的な生体力学的エネルギー正規化を適用するために、新しい点雲変形表現を提案する。
• 参考スコア（独自算出の注目度）: 2.720536976207582
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Point cloud registration is important in computer-aided interventions (CAI). While learning-based point cloud registration methods have been developed, their clinical application is hampered by issues of generalizability and explainability. Therefore, classical point cloud registration methods, such as Iterative Closest Point (ICP), are still widely applied in CAI. ICP methods fail to consider that: (1) the points have well-defined semantic meaning, in that each point can be related to a specific anatomical label; (2) the deformation required for registration needs to follow biomechanical energy constraints. In this paper, we present a novel semantic ICP (SemICP) method that handles multiple point labels and uses linear elastic energy regularization. We use semantic labels to improve the robustness of the closest point matching and propose a novel point cloud deformation representation to apply explicit biomechanical energy regularization. Our experiments on a trans-oral robotic surgery ultrasound-computed tomography registration dataset and two public Learn2reg challenge datasets show that our method improves the Hausdorff distance and mean surface distance compared with other point-matching-based registration methods.
• Abstract（参考訳）: ポイントクラウドの登録はコンピュータ支援介入(CAI)において重要である。 学習ベースのポイントクラウド登録法が開発されているが、その臨床応用は一般化可能性と説明可能性の問題によって妨げられている。 したがって、ICP (Iterative Closest Point) のような古典的な点群登録法は依然としてCAIにおいて広く適用されている。 ICP法は、(1)各点が特定の解剖学的ラベルに関連付けられるという、明確に定義された意味を持ち、(2)登録に必要な変形は、生体力学的エネルギーの制約に従う必要がある。 本稿では,複数点ラベルを処理し,線形弾性エネルギー正則化を用いるセマンティックICP(SemICP)法を提案する。 セマンティックラベルを用いて、最も近い点マッチングの堅牢性を向上し、明示的な生体力学的エネルギー正規化を適用するために、新しい点雲変形表現を提案する。 経口腔外科的超音波断層撮影登録データセットと2つの公開Learn2regチャレンジデータセットを用いた実験により,本手法は他の点マッチングベース登録法と比較してハウスドルフ距離と平均表面距離を改善することが示された。

関連論文リスト

• TUN: Detecting Significant Points in Persistence Diagrams with Deep Learning [5.938489349409763]
  一次元持続図の自動重要度検出について検討する。 Topology Understanding Net (TUN)は、拡張PDディスクリプタと自己アテンション、PointNetスタイルのポイントクラウドエンコーダ、学習された融合、ポイント単位の分類を組み合わせたものだ。 ダウンストリームアプリケーションにとって重要なPDの重要点を特定するための、自動化された効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-12-16T10:35:17Z)
• Automated SNOMED CT Concept Annotation in Clinical Text Using Bi-GRU Neural Networks [0.31457219084519]
  本研究では,双方向GRUモデルを用いたSNOMEDCT概念認識のためのニューラルネットワークラベリング手法を提案する。 ドメイン適応型SpaCyおよびSciBERTベースのトークン化を用いてテキストを前処理し,テキストを文脈,構文,形態に富んだ重なり合う19個のチャンクに分割する。 Bi-GRUモデルは、IOBタグを指定してコンセプトスパンを特定し、検証セット上で90%のF1スコアで強力なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-04T16:08:49Z)
• High-quality Pseudo-labeling for Point Cloud Segmentation with Scene-level Annotation [32.03087826213936]
  本稿では,シーンレベルのアノテーションに基づく屋内クラウドセマンティックセマンティックセグメンテーションについて検討する。 現在のメソッドはまずポイントレベルの擬似ラベルを生成し、セグメンテーションモデルをトレーニングするために使用される。 精度を高めるために,高品質な擬似ラベル生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-29T13:17:12Z)
• Fully-Geometric Cross-Attention for Point Cloud Registration [51.865371511201765]
  ポイントクラウド登録のアプローチは、ノイズのあるポイント対応のため、ポイントクラウド間の重なりが低いときに失敗することが多い。 この問題に対処するTransformerベースのアーキテクチャに適した,新たなクロスアテンション機構を導入する。 我々はGromov-Wasserstein距離をクロスアテンションの定式化に統合し、異なる点雲間の点間距離を共同計算する。 点レベルでは,局所的な幾何学的構造情報を細かなマッチングのための点特徴に集約する自己認識機構も考案する。
  論文  参考訳（メタデータ） (2025-02-12T10:44:36Z)
• A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration [9.609585217048664]
  我々は整合性を考慮したスポット誘導変換器(CAST)を開発した。 CASTは、無関係な領域への干渉を避けるために、スポット誘導のクロスアテンションモジュールを組み込んでいる。 スパースキーポイントと高密度特徴の両方のための軽量な微細マッチングモジュールは、変換を正確に推定することができる。
  論文  参考訳（メタデータ） (2024-10-14T08:48:25Z)
• Ultrasound Nodule Segmentation Using Asymmetric Learning with Simple Clinical Annotation [25.459627476201646]
  自動結節分割法における超音波診断から直接, 簡単なアスペクト比アノテーションを用いることを提案する。 アスペクト比アノテーションを2種類の擬似ラベルで拡張することにより、非対称学習フレームワークを開発する。 臨床的に収集した2つの超音波データセット(甲状腺と乳房)を用いた実験により,提案手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-04-23T09:07:04Z)
• Deep Learning-Based Point Cloud Registration: A Comprehensive Survey and Taxonomy [79.66031973540946]
  深層学習に基づくポイントクラウド登録(DL-PCR)に関する総合的な調査と分類について述べる。 DL-PCR法では,登録手続きを含む重要な側面から議論を整理する。 我々はこれらを,ポイント・ツー・ポイント対応の明示的な識別を必要とするかどうかに応じて,対応ベースおよび対応不要なアプローチに分類する。
  論文  参考訳（メタデータ） (2024-04-22T02:05:15Z)
• DIPR: Efficient Point Cloud Registration via Dynamic Iteration [4.491867613612359]
  我々は、ダイナミックイットフレームワークであるDIPRを通じて、スペーサー入力ポイントに基づくオーバーラップポイントに対話的にフォーカスする、新しい効率的なポイントクラウド登録を導入する。 提案手法は,最先端手法と比較して計算時間とGPUメモリ消費を大幅に削減しつつ,優れた登録精度を実現する。
  論文  参考訳（メタデータ） (2023-12-05T16:47:46Z)
• SuPerPM: A Surgical Perception Framework Based on Deep Point Matching Learned from Physical Constrained Simulation Data [28.314243346768112]
  変形時の組織追跡誤差の主な原因は、観測されたセンサ測定と以前追跡されたシーンとの間違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した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, 高度な手術シーン追跡アルゴリズムよりも優れた性能を有する, 難易度の高いいくつかの手術用データセット上で実証された。
  論文  参考訳（メタデータ） (2023-09-25T04:27:06Z)
• Deep Semantic Graph Matching for Large-scale Outdoor Point Clouds Registration [22.308070598885532]
  我々は、ポイントクラウド登録問題をセマンティックインスタンスマッチングと登録タスクとして扱う。 大規模屋外クラウド登録のためのディープセマンティックグラフマッチング法(DeepSGM)を提案する。 KITTIオドメトリデータセットで行った実験結果から,提案手法が登録性能を向上させることが示された。
  論文  参考訳（メタデータ） (2023-08-10T03:07:28Z)
• Object Localization under Single Coarse Point Supervision [107.46800858130658]
  本稿では,粗い点アノテーションを用いたPOL手法を提案する。 CPRは、ポイントバッグを構築し、セマンティック関連点を選択し、マルチインスタンス学習(MIL)を通してセマンティックセンターポイントを生成する。 このようにして、CPRは、粗い点監督の下で高性能オブジェクトローカライザのトレーニングを保証する、弱い制御された進化手順を定義する。
  論文  参考訳（メタデータ） (2022-03-17T14:14:11Z)
• GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
  軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。 GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。 GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
  論文  参考訳（メタデータ） (2021-12-08T00:24:03Z)
• 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)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• On the Equivalence of Decoupled Graph Convolution Network and Label Propagation [60.34028546202372]
  いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。 有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。 本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T13:57:39Z)
• Unsupervised Point Cloud Registration via Salient Points Analysis (SPA) [57.62713515497585]
  本研究では,SPA (Salient Point Analysis) と呼ばれる非教師付きポイントクラウド登録手法を提案する。 まず、ポイントホップ++法を点点に当てはめ、点の局所的な表面特性に基づいて2点の正解点を見つけ、対応する正解点と整合して登録を行う。 SPA法の有効性は,ModelNet-40データセットから,見かけや見えないクラスやノイズの多い点群に対する実験によって実証される。
  論文  参考訳（メタデータ） (2020-09-02T18:40:37Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
  本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。 提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
  論文  参考訳（メタデータ） (2020-04-24T23:41:41Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。