論文の概要: Masked Registration and Autoencoding of CT Images for Predictive Tibia Reconstruction

• arxiv url: http://arxiv.org/abs/2512.09525v1
• Date: Wed, 10 Dec 2025 11:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.491846
• Title: Masked Registration and Autoencoding of CT Images for Predictive Tibia Reconstruction
• Title（参考訳）: CT画像の仮面登録と自動符号化
• Authors: Hongyou Zhou, Cederic Aßmann, Alaa Bejaoui, Heiko Tzschätzsch, Mark Heyland, Julian Zierke, Niklas Tuttle, Sebastian Hölzl, Timo Auer, David A. Back, Marc Toussaint,
• Abstract要約: 当科では, 骨折を主訴に当科を受診し, 当科を受診し, 当科を受診し, 当科を受診した。 我々のap-proachは、ニューラル登録とオートエンコーダモデルを組み合わせています。
• 参考スコア（独自算出の注目度）: 6.613247712629387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surgical planning for complex tibial fractures can be challenging for surgeons, as the 3D structure of the later desirable bone alignment may be diffi- cult to imagine. To assist in such planning, we address the challenge of predicting a patient-specific reconstruction target from a CT of the fractured tibia. Our ap- proach combines neural registration and autoencoder models. Specifically, we first train a modified spatial transformer network (STN) to register a raw CT to a standardized coordinate system of a jointly trained tibia prototype. Subsequently, various autoencoder (AE) architectures are trained to model healthy tibial varia- tions. Both the STN and AE models are further designed to be robust to masked input, allowing us to apply them to fractured CTs and decode to a prediction of the patient-specific healthy bone in standard coordinates. Our contributions include: i) a 3D-adapted STN for global spatial registration, ii) a comparative analysis of AEs for bone CT modeling, and iii) the extension of both to handle masked inputs for predictive generation of healthy bone structures. Project page: https://github.com/HongyouZhou/repair
• Abstract（参考訳）: 複雑な大腿骨頭骨折に対する外科的計画は、後に望ましい骨アライメントの3D構造が想像に難くない可能性があるため、外科医にとって困難である。 このような計画を支援するため, 骨折部CTから患者固有の再建目標を予測するという課題に対処する。 我々のap-proachは、ニューラル登録とオートエンコーダモデルを組み合わせています。 具体的には、まず、修正された空間変換器ネットワーク(STN)をトレーニングし、生CTを共同で訓練されたティアビアプロトタイプの標準座標系に登録する。 その後、様々なオートエンコーダ(AE)アーキテクチャーをトレーニングし、健康な腸間膜バリア-イオンをモデル化する。 STNモデルとAEモデルの両方がマスク入力に対して頑健に設計されており、骨折CTに適用し、標準座標における患者固有の健康な骨の予測にデコードすることができる。 コントリビューションには以下のものがある。 一 グローバル空間登録のための3次元適応STN 二 骨CTモデリングのためのAEの比較分析及び 三 健康な骨構造の予測発生のための仮面入力を処理するための双方の延長 プロジェクトページ:https://github.com/HongyouZhou/repair

関連論文リスト

• Scaling Self-Supervised and Cross-Modal Pretraining for Volumetric CT Transformers [10.972744049555553]
  本稿では,CTのためのフルトランスフォーマーベース基礎モデルであるSPECTREを紹介する。 提案手法は,スケーラブルな3Dビジョントランスフォーマーアーキテクチャと,近代的な自己監督型・視覚言語事前学習戦略を利用する。 SPECTREはゼロショット設定と微調整設定の両方で、CTファンデーションモデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-11-21T12:41:27Z)
• BridgeSplat: Bidirectionally Coupled CT and Non-Rigid Gaussian Splatting for Deformable Intraoperative Surgical Navigation [69.14180476971602]
  変形可能な手術ナビゲーションのための新しいアプローチであるBridgeSplatを紹介する。 提案手法は3次元ガウスをCTメッシュにリグし,ガウスパラメータとメッシュ変形の合同最適化を可能にする。 シミュレーションにより,BridgeSplatがブタの内臓手術およびヒト肝臓の合成データに与える影響を実証した。
  論文  参考訳（メタデータ） (2025-09-23T01:09:36Z)
• RibCageImp: A Deep Learning Framework for 3D Ribcage Implant Generation [5.569968871299795]
  損傷を受けたり切除されたリブケージ構造の回復には、胸腔の完全性と機能を取り戻すために、正確に設計されたカスタムデザインのインプラントが必要である。 従来のインプラント設計法は主に手動のプロセスに依存しており、時間がかかり、可変性に影響を受けやすい。 患者固有のインプラントデザインを生成するためにCTスキャンを処理する3D U-Netアーキテクチャに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-14T06:03:54Z)
• Enhanced Knee Kinematics: Leveraging Deep Learning and Morphing Algorithms for 3D Implant Modeling [2.752817022620644]
  本研究では, 人工膝の正確な3次元再構築のための機械学習アルゴリズムとモーフィング技術を用いた新しいアプローチを提案する。 畳み込みニューラルネットワークは、インプラントされたコンポーネントの大腿骨輪郭を自動的に分割するように訓練される。 移植膝関節のパーソナライズされた3次元モデルを生成する。
  論文  参考訳（メタデータ） (2024-08-02T20:11:04Z)
• Developing Generalist Foundation Models from a Multimodal Dataset for 3D Computed Tomography [21.25960416231541]
  我々は3次元医用画像と対応するテキストレポートを組み合わせたデータセットであるCT-RATEを紹介する。 我々はCTに焦点を当てたコントラスト言語画像事前学習フレームワークであるCT-CLIPを開発した。 我々は3次元胸部CTボリュームの視覚言語チャットモデルであるCT-CHATを作成する。
  論文  参考訳（メタデータ） (2024-03-26T16:19:56Z)
• GuideGen: A Text-Guided Framework for Full-torso Anatomy and CT Volume Generation [1.138481191622247]
  GuideGenは、フリーフォームのテキストプロンプトに基づいて、胸部から骨盤まで、解剖学的マスクとそれに対応するCTボリュームを生成する制御可能なフレームワークである。 提案手法は,リアルなフルトルソ解剖を作成するためのテキスト条件セマンティックシンセサイザー,コントラストを意識した様々なコントラストレベルの詳細な特徴抽出用オートエンコーダ,CT画像,解剖学的セマンティクス,入力プロンプト間のアライメントを保証する潜在特徴生成装置の3つのコアコンポーネントを含む。
  論文  参考訳（メタデータ） (2024-03-12T02:09:39Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• 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)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• A Self-Supervised Deep Framework for Reference Bony Shape Estimation in Orthognathic Surgical Planning [55.30223654196882]
  仮想的な矯正手術計画では、3次元顔面骨形状モデルにおける顎変形の外科的修正をシミュレートする。 正常な解剖を表現した基準顔骨形状モデルは、計画精度を向上させるための客観的ガイダンスを提供することができる。 本稿では,顔面骨の形状モデルを自動的に推定する自己教師型ディープフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-11T05:24:40Z)
• 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)

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。