論文の概要: Real-Time Guidewire Tip Tracking Using a Siamese Network for Image-Guided Endovascular Procedures
- arxiv url: http://arxiv.org/abs/2507.00051v1
- Date: Wed, 25 Jun 2025 02:34:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 22:56:23.376505
- Title: Real-Time Guidewire Tip Tracking Using a Siamese Network for Image-Guided Endovascular Procedures
- Title（参考訳）: 画像ガイド下血管内手術におけるシームズネットワークを用いたリアルタイムガイドワイヤチップ追跡
- Authors: Tianliang Yao, Zhiqiang Pei, Yong Li, Yixuan Yuan, Peng Qi,
- Abstract要約: 本稿では,心血管疾患に対する画像誘導治療におけるガイドワイヤチップ追跡タスクについて述べる。
デュアルアテンション機構を備えたシームズネットワークに基づく新しいトラッキングフレームワークは、堅牢なチップトラッキングのための自己と相互アテンション戦略を組み合わせたものである。
このフレームワークは、平均処理速度が57.2フレーム/秒であり、血管内イメージングの時間的要求を満たす。
- 参考スコア（独自算出の注目度）: 27.037820619664654
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An ever-growing incorporation of AI solutions into clinical practices enhances the efficiency and effectiveness of healthcare services. This paper focuses on guidewire tip tracking tasks during image-guided therapy for cardiovascular diseases, aiding physicians in improving diagnostic and therapeutic quality. A novel tracking framework based on a Siamese network with dual attention mechanisms combines self- and cross-attention strategies for robust guidewire tip tracking. This design handles visual ambiguities, tissue deformations, and imaging artifacts through enhanced spatial-temporal feature learning. Validation occurred on 3 randomly selected clinical digital subtraction angiography (DSA) sequences from a dataset of 15 sequences, covering multiple interventional scenarios. The results indicate a mean localization error of 0.421 $\pm$ 0.138 mm, with a maximum error of 1.736 mm, and a mean Intersection over Union (IoU) of 0.782. The framework maintains an average processing speed of 57.2 frames per second, meeting the temporal demands of endovascular imaging. Further validations with robotic platforms for automating diagnostics and therapies in clinical routines yielded tracking errors of 0.708 $\pm$ 0.695 mm and 0.148 $\pm$ 0.057 mm in two distinct experimental scenarios.
- Abstract（参考訳）: AIソリューションを臨床実践に組み込むことで、医療サービスの効率性と有効性を高めることができる。
本稿では, 心血管疾患に対する画像誘導治療におけるガイドワイヤチップ追跡タスクに着目し, 診断と治療の質の向上を支援する。
デュアルアテンション機構を備えたシームズネットワークに基づく新しいトラッキングフレームワークは、ロバストなガイドワイヤチップトラッキングのための自己と横断的な戦略を組み合わせたものである。
このデザインは、空間的時間的特徴学習の強化を通じて、視覚的曖昧さ、組織変形、およびイメージングアーティファクトを処理する。
15配列のデータセットからランダムに選択された3つの臨床デジタルサブトラクション血管造影 (DSA) 配列の検証を行い、複数の介入シナリオをカバーした。
その結果、平均ローカライゼーション誤差は0.421$\pm$0.138 mm、最大誤差は1.736 mm、平均インターセクションオーバーユニオン(IoU)は0.782であった。
このフレームワークは、平均処理速度が57.2フレーム/秒であり、血管内イメージングの時間的要求を満たす。
診断と治療を自動化するためのロボットプラットフォームによるさらなる検証では、2つの異なる実験シナリオにおいて0.708$\pm$ 0.695 mmと0.148$\pm$ 0.057 mmの追跡エラーが得られた。
関連論文リスト
- Lightweight Relational Embedding in Task-Interpolated Few-Shot Networks for Enhanced Gastrointestinal Disease Classification [0.0]
大腸癌の検出は、患者の生存率を高めるために重要である。
大腸内視鏡は、適切な高品質の内視鏡画像を取得することに依存する。
Few-Shot Learning アーキテクチャにより、我々のモデルは、目に見えないきめ細かな内視鏡画像パターンに迅速に適応できる。
精度は90.1%,精度は0.845,リコールは0.942,F1スコアは0.891であった。
論文 参考訳（メタデータ） (2025-05-30T16:54:51Z) - DynSegNet:Dynamic Architecture Adjustment for Adversarial Learning in Segmenting Hemorrhagic Lesions from Fundus Images [8.359851428921386]
本稿では,階層型U字型エンコーダデコーダ,残差ブロック,アテンション機構,ASPPモジュールを統合した逆学習に基づく動的アーキテクチャ調整手法を提案する。
実験の結果、Dice係数は0.5602の0.6802、IoU、リコールは0.766、精度は0.6525、精度は0.9955であることが示され、眼底出血セグメンテーションの課題に効果的に対処した。
論文 参考訳（メタデータ） (2025-02-13T12:11:58Z) - Enhancing Diabetic Retinopathy Diagnosis: A Lightweight CNN Architecture for Efficient Exudate Detection in Retinal Fundus Images [0.0]
本稿では,自動解凍器検出に適した,新しい軽量畳み込みニューラルネットワークアーキテクチャを提案する。
我々は、モデルの一般化性を高めるために、ドメイン固有のデータ拡張を取り入れた。
本モデルでは,F1スコアの90%を達成し,基礎画像による糖尿病網膜症の早期発見における有効性を示した。
論文 参考訳（メタデータ） (2024-08-13T10:13:33Z) - Class-Aware Cartilage Segmentation for Autonomous US-CT Registration in Robotic Intercostal Ultrasound Imaging [39.597735935731386]
形状制約後処理を施したクラスアウェア軟骨骨分節ネットワークを提示し, 患者固有の骨骨格を捕捉する。
一般的なテンプレートから個々の患者へ、宿主間走査経路をマッピングするために、密度の高い骨格グラフに基づく非剛性登録が提示される。
提案手法は,CTテンプレートから個々の患者へのパスを,頑健かつ正確にマッピングできることを示す。
論文 参考訳（メタデータ） (2024-06-06T14:15:15Z) - Autonomous Path Planning for Intercostal Robotic Ultrasound Imaging Using Reinforcement Learning [45.5123007404575]
胸腔鏡検査は, 皮下リブケージの音響的影が原因で, 依然として困難である。
本研究は, 内臓器病変のモニタリングを行うために, リブ間の走査経路を計画するための強化学習手法を提案する。
ランダムに定義された単一または複数の走査ターゲットを持つ未確認のCTに対して実験が実施されている。
論文 参考訳（メタデータ） (2024-04-15T16:52:53Z) - Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。
第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。
第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
論文 参考訳（メタデータ） (2024-04-12T20:39:19Z) - Longitudinal Multimodal Transformer Integrating Imaging and Latent
Clinical Signatures From Routine EHRs for Pulmonary Nodule Classification [4.002181247287472]
単発性肺結節(SPN)分類におけるERHからの経時的臨床所見とリピート画像を統合するためのトランスフォーマーベースのマルチモーダル戦略を提案する。
臨床症状の非観血的非観血的切り離しを行ない, 時間依存性の自己注意を利用して, 臨床症状の表現と胸部CTスキャンから共同学習を行った。
論文 参考訳（メタデータ） (2023-04-06T03:03:07Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Automated Detection of Coronary Artery Stenosis in X-ray Angiography
using Deep Neural Networks [0.0]
X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。
左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
論文 参考訳（メタデータ） (2021-03-04T11:45:54Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-18T09:49:11Z)
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。