論文の概要: Weakly-supervised Mamba-Based Mastoidectomy Shape Prediction for Cochlear Implant Surgery Using 3D T-Distribution Loss

• arxiv url: http://arxiv.org/abs/2505.18368v1
• Date: Fri, 23 May 2025 20:53:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.372103
• Title: Weakly-supervised Mamba-Based Mastoidectomy Shape Prediction for Cochlear Implant Surgery Using 3D T-Distribution Loss
• Title（参考訳）: 3D T-distribution Loss を用いた人工内耳手術のマストイド形状予測
• Authors: Yike Zhang, Jack H. Noble,
• Abstract要約: 術前CT検査から直接, 正確なマストイド領域を推定するための弱監督型マンバベースフレームワークを提案する。 本手法は,マストイドの形状に固有の複雑な幾何学的変動を効果的に扱える3D T-Distribution loss関数を用いている。 提案手法は最先端のアプローチに対して広範に評価され, 正確な, 臨床的に関連するマストイド切除領域の予測における優れた性能を示す。
• 参考スコア（独自算出の注目度）: 4.777201894011511
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cochlear implant surgery is a treatment for individuals with severe hearing loss. It involves inserting an array of electrodes inside the cochlea to electrically stimulate the auditory nerve and restore hearing sensation. A crucial step in this procedure is mastoidectomy, a surgical intervention that removes part of the mastoid region of the temporal bone, providing a critical pathway to the cochlea for electrode placement. Accurate prediction of the mastoidectomy region from preoperative imaging assists presurgical planning, reduces surgical risks, and improves surgical outcomes. In previous work, a self-supervised network was introduced to predict the mastoidectomy region using only preoperative CT scans. While promising, the method suffered from suboptimal robustness, limiting its practical application. To address this limitation, we propose a novel weakly-supervised Mamba-based framework to predict accurate mastoidectomy regions directly from preoperative CT scans. Our approach utilizes a 3D T-Distribution loss function inspired by the Student-t distribution, which effectively handles the complex geometric variability inherent in mastoidectomy shapes. Weak supervision is achieved using the segmentation results from the prior self-supervised network to eliminate the need for manual data cleaning or labeling throughout the training process. The proposed method is extensively evaluated against state-of-the-art approaches, demonstrating superior performance in predicting accurate and clinically relevant mastoidectomy regions. Our findings highlight the robustness and efficiency of the weakly-supervised learning framework with the proposed novel 3D T-Distribution loss.
• Abstract（参考訳）: 人工内耳は難聴者に対する治療である。 聴覚神経を電気的に刺激し、聴覚を回復させるために、人工内耳に電極を挿入する。 この手順における重要なステップは、側頭骨のマストイド領域の一部を除去する外科的介入であるマストイド切除であり、電極配置のためのコチェリーへの重要な経路を提供する。 術前画像からのマストイド切除領域の正確な予測は,術前の計画立案を支援し,手術リスクを低減し,手術成績を改善する。 従来, 術前CT検査のみを用いて, マストイド切除部位を予測するために, 自己教師ネットワークを導入した。 有望ながら、この手法は準最適ロバスト性に悩まされ、実用性は制限された。 この限界に対処するために, 術前CT検査から直接, 正確なマストイド領域を推定する, 弱制御のMamba-based frameworkを提案する。 本手法は,マストイドの形状に固有の複雑な幾何学的変動を効果的に扱える3D T-Distribution loss関数を用いている。 弱監視は、トレーニングプロセスを通して手作業によるデータのクリーニングやラベル付けを不要にするため、事前の自己監督ネットワークからのセグメンテーション結果を用いて達成される。 提案手法は最先端のアプローチに対して広範に評価され, 正確な, 臨床的に関連するマストイド切除領域の予測における優れた性能を示す。 提案する3D T-Distribution Lossを用いて,弱教師付き学習フレームワークの堅牢性と効率性について検討した。

関連論文リスト

• Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
  経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。 まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
  論文  参考訳（メタデータ） (2025-07-22T13:24:45Z)
• Self-supervised Mamba-based Mastoidectomy Shape Prediction for Cochlear Implant Surgery [3.626734411913593]
  術前CT(Computed Tomography)スキャンのみでマストイド摘出体積を合成する新しいマンバ法を提案する。 本手法では,マストイド手術の形状を予測し,マストイド手術後の3次元表面を再構成する自己指導型学習フレームワークを提案する。 本手法は,マストイド切除部位のDiceスコアを0.70と推定し,手術前計画の正確かつ効率的な立案に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-22T16:47:29Z)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• Intra-operative tumour margin evaluation in breast-conserving surgery with deep learning [0.8488455943441636]
  提案手法は術中測定システムにおける潜在的手順である。 深層学習技術は、病理報告と一致した結果を導き出すことができる。
  論文  参考訳（メタデータ） (2024-04-16T14:26:55Z)
• 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)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• FocalErrorNet: Uncertainty-aware focal modulation network for inter-modal registration error estimation in ultrasound-guided neurosurgery [3.491999371287298]
  術中組織変形(脳シフトと呼ばれる)は、手術対象を移動させ、手術前の計画が無効になる可能性がある。 脳腫瘍手術におけるMRI-iUS登録誤差を正確に評価するために,3次元焦点変調に基づく新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-26T21:42:22Z)
• Reconstructing the somatotopic organization of the corticospinal tract remains a challenge for modern tractography methods [55.07297021627281]
  CST(Corticospinal tract)は、人間の脳において、身体の自発的な動きを制御できる重要なホワイトマター線維である。 拡散MRIトラクトグラフィーは、ヒトの健康におけるCST経路の解剖学的および変動性の研究を可能にする唯一の方法である。
  論文  参考訳（メタデータ） (2023-06-09T02:05:40Z)
• Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement [61.28459114068828]
  安全な深部強化学習(DRL)に基づく訓練経路計画にリアルタイムな観察を活用するロボット脊椎手術の術中計画手法を提案する。 本手法は,ゴールドスタンダード (GS) 掘削計画に関して,90%の骨貫通を達成できた。
  論文  参考訳（メタデータ） (2023-05-09T11:42:53Z)
• Automatic Detection and Segmentation of Postoperative Cerebellar Damage Based on Normalization [1.1470070927586016]
  小脳損傷の確実な局在化と測定は、損傷した小脳領域と術後の神経学的結果との関係を研究するために不可欠である。 既存の脳の正常化法は術後のスキャンでは信頼性が低いため,手動ラベリングによる外科的損傷の計測が現在行われている。 術後3次元T1MRIを用いて,手術による小脳損傷を自動的に検出・測定する頑健なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-03-03T22:26:59Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)

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。