論文の概要: SPIDER: Structure-Preferential Implicit Deep Network for Biplanar X-ray Reconstruction

• arxiv url: http://arxiv.org/abs/2507.04684v1
• Date: Mon, 07 Jul 2025 06:06:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.291663
• Title: SPIDER: Structure-Preferential Implicit Deep Network for Biplanar X-ray Reconstruction
• Title（参考訳）: SPIDER:2平面X線再構成のための構造優先インシシデントディープネットワーク
• Authors: Tianqi Yu, Xuanyu Tian, Jiawen Yang, Dongming He, Jingyi Yu, Xudong Wang, Yuyao Zhang,
• Abstract要約: SPIDERは、バイプレーンX線画像からCTボリュームを再構成するための教師付きフレームワークである。 解剖学的制約を再構築プロセスに組み込み、構造的連続性を高め、軟質の人工物を減らす。 提案手法は,ダウンストリームセグメンテーションタスクにおける強力な可能性を示し,パーソナライズされた治療計画と画像誘導型手術ナビゲーションにおけるその有用性を裏付けるものである。
• 参考スコア（独自算出の注目度）: 30.432335038130866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biplanar X-ray imaging is widely used in health screening, postoperative rehabilitation evaluation of orthopedic diseases, and injury surgery due to its rapid acquisition, low radiation dose, and straightforward setup. However, 3D volume reconstruction from only two orthogonal projections represents a profoundly ill-posed inverse problem, owing to the intrinsic lack of depth information and irreducible ambiguities in soft-tissue visualization. Some existing methods can reconstruct skeletal structures and Computed Tomography (CT) volumes, they often yield incomplete bone geometry, imprecise tissue boundaries, and a lack of anatomical realism, thereby limiting their clinical utility in scenarios such as surgical planning and postoperative assessment. In this study, we introduce SPIDER, a novel supervised framework designed to reconstruct CT volumes from biplanar X-ray images. SPIDER incorporates tissue structure as prior (e.g., anatomical segmentation) into an implicit neural representation decoder in the form of joint supervision through a unified encoder-decoder architecture. This design enables the model to jointly learn image intensities and anatomical structures in a pixel-aligned fashion. To address the challenges posed by sparse input and structural ambiguity, SPIDER directly embeds anatomical constraints into the reconstruction process, thereby enhancing structural continuity and reducing soft-tissue artifacts. We conduct comprehensive experiments on clinical head CT datasets and show that SPIDER generates anatomically accurate reconstructions from only two projections. Furthermore, our approach demonstrates strong potential in downstream segmentation tasks, underscoring its utility in personalized treatment planning and image-guided surgical navigation.
• Abstract（参考訳）: バイプレナーX線画像は、健康診断、整形外科疾患の術後リハビリテーション評価、早期取得、低放射線線量、簡単な設定による外傷手術に広く用いられている。 しかし,2つの直交射影のみからの3次元体積再構成は,内在的な深度情報の欠如と軟形状可視化における既約曖昧さのため,深刻な逆問題を示す。 既存の方法では骨格構造とCTボリュームを再構築することができ、不完全な骨形状、不正確な組織の境界、解剖学的リアリズムの欠如を生じることが多く、手術計画や術後評価などのシナリオにおける臨床的有用性を制限することができる。 本研究では,両平面X線画像からCTボリュームを再構成する新しい監視フレームワークであるSPIDERを紹介する。 SPIDERは、組織構造を前者(例えば解剖学的セグメンテーション)として、統一エンコーダ・デコーダアーキテクチャによる共同監督の形で暗黙の神経表現デコーダに組み込む。 この設計により、画像強度と解剖学的構造をピクセル配列で共同で学習することができる。 スパース入力と構造的あいまいさによる課題に対処するため、SPIDERは解剖学的制約を直接再構築プロセスに埋め込むことで、構造的連続性を向上し、軟質の人工物を減らす。 臨床頭頂部CTデータセットの総合的な実験を行い、SPIDERは2つの投射のみから解剖学的に正確な再構成を生成することを示した。 さらに,本手法は下流セグメンテーションタスクに強い可能性を示し,パーソナライズされた治療計画と画像ガイド下手術ナビゲーションにおけるその有用性を裏付けるものである。

関連論文リスト

• Are Pixel-Wise Metrics Reliable for Sparse-View Computed Tomography Reconstruction? [50.68335638232752]
  解剖学的構造全体にわたる構造的完全性を評価するために,解剖学的評価尺度の組を提案する。 CAREは、重要な構造物の解剖学的保存を促進するために、訓練中に構造的罰則を取り入れている。 CAREはCT再建における構造的完全性を大幅に改善し、大臓器では+32%、小臓器では+22%、小腸では+40%、血管では+36%となる。
  論文  参考訳（メタデータ） (2025-06-02T17:07:10Z)
• EAR: Edge-Aware Reconstruction of 3-D vertebrae structures from bi-planar X-ray images [19.902946440205966]
  本稿では,新しいエッジ・アウェア・コンストラクション・ネットワーク(EAR)を提案する。 自動エンコーダアーキテクチャをバックボーンとして,エッジアテンションモジュールと周波数拡張モジュールを提案する。 提案手法は3つの公開データセットを用いて評価し、4つの最先端モデルと比較した。
  論文  参考訳（メタデータ） (2024-07-30T16:19:14Z)
• High-fidelity Endoscopic Image Synthesis by Utilizing Depth-guided Neural Surfaces [18.948630080040576]
  内視鏡画像に適用したNeuSを1フレームの深度マップで補足した新しい大腸部分再建法を提案する。 本手法は, 大腸切片を完全にレンダリングし, 表面の見えない部分を捕捉する際の異常な精度を示す。 このブレークスルーは、安定的で一貫してスケールされた再建を達成するための道を開き、がんスクリーニングの手順と治療介入の質を高めることを約束する。
  論文  参考訳（メタデータ） (2024-04-20T18:06:26Z)
• Live image-based neurosurgical guidance and roadmap generation using unsupervised embedding [53.992124594124896]
  本稿では,注釈付き脳外科ビデオの大規模なデータセットを活用するライブ画像のみのガイダンスを提案する。 生成されたロードマップは、トレーニングセットの手術で取られた一般的な解剖学的パスをエンコードする。 166例の腹腔鏡下腺摘出術を施行し,本法の有効性について検討した。
  論文  参考訳（メタデータ） (2023-03-31T12:52:24Z)
• 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)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Stereo Dense Scene Reconstruction and Accurate Laparoscope Localization for Learning-Based Navigation in Robot-Assisted Surgery [37.14020061063255]
  微小侵襲手術(MIS)における解剖情報と腹腔鏡位置の計算はロボット支援手術ナビゲーションの基本ブロックである 本稿では,複雑な解剖学的構造の3次元再構成による画像誘導腹腔鏡像の局在化を実現するための学習駆動型フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T06:12:18Z)

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。