論文の概要: UltraBoneUDF: Self-supervised Bone Surface Reconstruction from Ultrasound Based on Neural Unsigned Distance Functions

• arxiv url: http://arxiv.org/abs/2505.17912v2
• Date: Mon, 07 Jul 2025 09:53:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 17:51:39.820202
• Title: UltraBoneUDF: Self-supervised Bone Surface Reconstruction from Ultrasound Based on Neural Unsigned Distance Functions
• Title（参考訳）: UltraBoneUDF:ニューラルアンサイン距離関数に基づく超音波による自己教師付き骨表面再構成
• Authors: Luohong Wu, Matthias Seibold, Nicola A. Cavalcanti, Giuseppe Loggia, Lisa Reissner, Bastian Sigrist, Jonas Hein, Lilian Calvet, Arnd Viehöfer, Philipp Fürnstahl,
• Abstract要約: 骨表面の再構築はコンピュータによる整形外科手術において重要な役割を担っている。 超音波イメージングの固有の限界のため、Bモード超音波は通常、部分的な骨表面のみを捉えている。 骨表面を超音波で再構築するための自己教師型フレームワークであるUltraBoneUDFを提案する。
• 参考スコア（独自算出の注目度）: 0.5758011837296545
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Bone surface reconstruction plays a critical role in computer-assisted orthopedic surgery. Compared to traditional imaging modalities such as CT and MRI, ultrasound offers a radiation-free, cost-effective, and portable alternative. Continuous bone surface reconstruction can be employed for many clinical applications. However, due to the inherent limitations of ultrasound imaging, B-mode ultrasound typically capture only partial bone surfaces. Existing reconstruction methods struggle with such incomplete data, leading to artifacts and increased reconstruction errors. Effective techniques for accurately reconstructing thin and open bone surfaces from real-world 3D ultrasound volumes remain lacking. Methods: We propose UltraBoneUDF, a self-supervised framework designed for reconstructing open bone surfaces from ultrasound using neural Unsigned Distance Functions. To enhance reconstruction quality, we introduce a novel global feature extractor that effectively fuses ultrasound-specific image characteristics. Additionally, we present a novel loss function based on local tangent plane optimization that substantially improves surface reconstruction quality. UltraBoneUDF and baseline models are extensively evaluated on four open-source datasets. Results: Qualitative results highlight the limitations of the state-of-the-art methods for open bone surface reconstruction and demonstrate the effectiveness of UltraBoneUDF. Quantitatively, UltraBoneUDF significantly outperforms competing methods across all evaluated datasets for both open and closed bone surface reconstruction in terms of mean Chamfer distance error: 1.10 mm on the UltraBones100k dataset (39.6\% improvement compared to the SOTA), 0.23 mm on the OpenBoneCT dataset (69.3\% improvement), 0.18 mm on the ClosedBoneCT dataset (70.2\% improvement), and 0.05 mm on the Prostate dataset (55.3\% improvement).
• Abstract（参考訳）: 背景: 骨表面の再建は, コンピュータによる整形外科手術において重要な役割を担っている。 CTやMRIのような従来の画像モダリティと比較して、超音波は放射線のない、費用対効果があり、ポータブルな代替手段を提供する。 連続的な骨表面再構成は、多くの臨床応用に応用できる。 しかしながら、超音波イメージングの固有の限界のため、Bモード超音波は通常、部分的な骨表面のみを捉えている。 既存の復元手法は、そのような不完全なデータに苦しむため、アーティファクトが生成され、復元エラーが増大する。 実世界の3D超音波ボリュームから細い骨表面を正確に再構築する効果的な技術は、いまだに欠けている。 方法:ニューラルアンサイン距離関数を用いた超音波による骨表面の再構築を目的とした自己教師型フレームワークであるUltraBoneUDFを提案する。 再構成品質を向上させるために,超音波特有の画像特性を効果的に融合させる新しいグローバル特徴抽出器を提案する。 さらに,局所接地平面最適化に基づく新たな損失関数を提案する。 UltraBoneUDFとベースラインモデルは4つのオープンソースデータセットで広く評価されている。 結果: 質的結果は, 骨表面の開放に対する最先端の方法の限界を強調し, UltraBoneUDFの有効性を示した。 UltraBoneUDFは、平均チャンファー距離誤差(SOTAと比較して39.6倍)、OpenBoneCTデータセットで0.23mm(69.3倍)、ClocdBoneCTデータセットで0.18mm(70.2倍)、Prostateデータセットで0.05mm(55.3倍)である。

関連論文リスト

• ImplicitCell: Resolution Cell Modeling of Joint Implicit Volume Reconstruction and Pose Refinement in Freehand 3D Ultrasound [12.066225199232777]
  ImplicitCell は Inlicit Neural Representation (INR) と超音波分解能セルモデルを統合した新しいフレームワークである。 実験結果から, ImplicitCell は既存手法と比較して, 復元アーチファクトを著しく低減し, ボリューム品質を向上することが示された。
  論文  参考訳（メタデータ） (2025-03-09T16:40:49Z)
• EndoPerfect: High-Accuracy Monocular Depth Estimation and 3D Reconstruction for Endoscopic Surgery via NeRF-Stereo Fusion [11.798218793025974]
  内視鏡下副鼻腔手術(ESS)では,術中CTは術中評価に有用であるが,着床速度や放射線曝露に制約がある。 既存の技術は、しばしば密度の高い再建に必要なサブミリ精度を達成するのに苦労する。 本稿では,Neural Radiance Fields(NeRF)を中間表現として活用するオンライン学習手法を提案する。 提案手法では,0.5mm未満の点間精度が0.125$pm$0.443mmであることを示す。
  論文  参考訳（メタデータ） (2024-10-05T05:26:21Z)
• SurgPointTransformer: Vertebrae Shape Completion with RGB-D Data [0.0]
  本研究は,RGB-Dデータを用いた3次元脊椎解剖の再構築のための代替的,放射線のないアプローチを提案する。 SurgPointTransformerは, 表面の粗い観察から未露出の脊椎領域を正確に再構築できる手術用形状補修法である。 提案手法は,平均チャンファー距離5.39,Fスコア0.85,アースモーバー距離0.011,信号対雑音比22.90dBを達成し,最先端のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2024-10-02T11:53:28Z)
• 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)
• 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)
• Feature-aggregated spatiotemporal spine surface estimation for wearable patch ultrasound volumetric imaging [4.287216236596808]
  我々は,複数の画像角から反射性骨表面を捉えるためにパッチライクなウェアラブル超音波ソリューションを提案する。 我々のウェアラブル超音波システムは、拡張現実環境で臨床医に直感的で正確な介入指導を提供する可能性がある。
  論文  参考訳（メタデータ） (2022-11-11T02:15:48Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• Tattoo tomography: Freehand 3D photoacoustic image reconstruction with an optical pattern [49.240017254888336]
  光音響トモグラフィ(PAT)は、形態学的および機能的組織特性の両方を解決することができる新しいイメージング技術である。 現在の欠点は、従来の2Dプローブによって提供される視野の制限である。 本研究では,外部追跡システムを必要としないPATデータの3次元再構成手法を提案する。
  論文  参考訳（メタデータ） (2020-11-10T09:27:56Z)
• Force-Ultrasound Fusion: Bringing Spine Robotic-US to the Next "Level" [46.13840565802387]
  ロボットアームは、脊椎のレベルを特定するためにフォース超音波データを用いて、ボランティアの背中を自動的にスキャンする。 椎体レベルの発生は、患者背中にロボットが作用する力を適切に制御することにより、ピークとして力トレース上に見え、増強される。 融合法は、テストセット内の脊椎レベルの100%を正しく分類することができ、純粋な画像と純粋な力に基づく方法は、それぞれ80%と90%の脊椎のみを分類することができた。
  論文  参考訳（メタデータ） (2020-02-26T10:49:53Z)

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。