Fugu-MT 論文翻訳(概要): Towards Markerless Intraoperative Tracking of Deformable Spine Tissue

論文の概要: Towards Markerless Intraoperative Tracking of Deformable Spine Tissue

arxiv url: http://arxiv.org/abs/2506.23657v2
Date: Tue, 01 Jul 2025 13:42:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-02 13:52:14.057068
Title: Towards Markerless Intraoperative Tracking of Deformable Spine Tissue
Title（参考訳）: 変形性脊椎組織のマーカーレス術中追跡に向けて
Authors: Connor Daly, Elettra Marconi, Marco Riva, Jinendra Ekanayake, Daniel S. Elson, Ferdinando Rodriguez y Baena,
Abstract要約: 本稿では,脊椎手術のための臨床用RGB-Dデータセットについて紹介する。 SpineAlignは術前および術中脊椎状態の変形を捉えるシステムである。
参考スコア（独自算出の注目度）: 30.929300836856285
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Consumer-grade RGB-D imaging for intraoperative orthopedic tissue tracking is a promising method with high translational potential. Unlike bone-mounted tracking devices, markerless tracking can reduce operating time and complexity. However, its use has been limited to cadaveric studies. This paper introduces the first real-world clinical RGB-D dataset for spine surgery and develops SpineAlign, a system for capturing deformation between preoperative and intraoperative spine states. We also present an intraoperative segmentation network trained on this data and introduce CorrespondNet, a multi-task framework for predicting key regions for registration in both intraoperative and preoperative scenes.
Abstract（参考訳）: 術中整形組織追跡のためのコンシューマグレードRGB-Dイメージングは,高い翻訳能を有する有望な方法である。骨を装着したトラッキングデバイスとは異なり、マーカーレストラッキングは操作時間と複雑さを減らすことができる。しかし、その使用はカダベリック研究に限られている。本稿では,脊椎手術用RGB-Dデータセットを初めて紹介し,術前と術中における脊椎状態の変形を計測するシステムであるSpineAlignを開発した。また,このデータに基づいて訓練された術中セグメンテーションネットワークを提案し,術中および術前両方のシーンにおいて,術中および術中両方のシーンでキー領域を予測するためのマルチタスク・フレームワークであるCorrespondNetを紹介した。

関連論文リスト

Monocular Marker-free Patient-to-Image Intraoperative Registration for Cochlear Implant Surgery [4.250558597144547]
本フレームワークは単分子型外科顕微鏡とシームレスに統合され,追加のハードウェア依存や要件を伴わずに臨床応用に極めて有用である。以上より, 術中CTスキャンを2次元の手術シーンに登録し, 角誤差が10度以内の症例では, 6次元カメラの撮影位置の予測に臨床的に関連性があることが示唆された。
論文参考訳（メタデータ） (2025-05-23T21:15:00Z)
Landmark-Free Preoperative-to-Intraoperative Registration in Laparoscopic Liver Resection [50.388465935739376]
術前の3Dモデルを術中2Dフレームにオーバーレイすることで肝臓の空間解剖を明瞭に把握し,より高い手術成功率を達成することができる。既存の登録法は解剖学的ランドマークに大きく依存しており、2つの大きな制限に直面している。本稿では,効果的な自己教師型学習を生かした,目覚ましくない術前・術中登録フレームワークを提案する。
論文参考訳（メタデータ） (2025-04-21T14:55:57Z)
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)
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)
Cross-Dataset Adaptation for Instrument Classification in Cataract Surgery Videos [54.1843419649895]
特定のデータセットでこのタスクをうまく実行する最先端モデルでは、別のデータセットでテストすると、パフォーマンスが低下する。本稿では,Barlow Adaptorと呼ばれる新しいエンドツーエンドのUnsupervised Domain Adaptation (UDA)手法を提案する。さらに,BFAL(Barlow Feature Alignment Loss)と呼ばれる,異なるドメインにまたがる特徴を整列させる新たな損失を導入する。
論文参考訳（メタデータ） (2023-07-31T18:14:18Z)
Spinal nerve segmentation method and dataset construction in endoscopic surgical scenarios [12.582771125588769]
内視鏡下手術における脊髄神経のリアルタイム分割法について検討した。本稿では,フレーム間情報と自己認識機構を利用して,最先端の性能を実現する FUnet (Frame-Unet) を提案する。
論文参考訳（メタデータ） (2023-07-20T15:26:57Z)
SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文参考訳（メタデータ） (2021-10-28T12:59:06Z)
Non-Rigid Volume to Surface Registration using a Data-Driven Biomechanical Model [0.028144129864580446]
我々は畳み込みニューラルネットワークを訓練し、表面対応と非剛体登録の両方を1ステップで行う。このネットワークは、ランダムに生成された、変形する臓器のような構造の物理的に正確な生体力学シミュレーションに基づいて訓練されている。高い推論速度を維持しながら実データによく翻訳可能であることを示す。
論文参考訳（メタデータ） (2020-05-29T17:35:23Z)
TeCNO: Surgical Phase Recognition with Multi-Stage Temporal Convolutional Networks [43.95869213955351]
外科的位相認識のための階層的予測補正を行う多段階時間畳み込みネットワーク(MS-TCN)を提案する。本手法は腹腔鏡下胆嚢摘出術ビデオの2つのデータセットに対して,追加の外科的ツール情報を用いずに徹底的に評価した。
論文参考訳（メタデータ） (2020-03-24T10:12:30Z)

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。