論文の概要: End2Reg: Learning Task-Specific Segmentation for Markerless Registration in Spine Surgery

• arxiv url: http://arxiv.org/abs/2512.13402v1
• Date: Mon, 15 Dec 2025 14:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.709189
• Title: End2Reg: Learning Task-Specific Segmentation for Markerless Registration in Spine Surgery
• Title（参考訳）: End2Reg: 脊椎手術におけるマーカーレスレジストレーションのためのタスク特異的セグメンテーションの学習
• Authors: Lorenzo Pettinari, Sidaty El Hadramy, Michael Wehrli, Philippe C. Cattin, Daniel Studer, Carol C. Hasler, Maria Licci,
• Abstract要約: 脊椎手術における術中ナビゲーションはミリレベルの精度を必要とする。 最近のマーカーレスRGB-D登録方式は有望な代替手段である。 End2Regは、セグメント化と登録を共同で最適化するエンドツーエンドのディープラーニングフレームワークである。
• 参考スコア（独自算出の注目度）: 0.20102949903271747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: Intraoperative navigation in spine surgery demands millimeter-level accuracy. Current systems based on intraoperative radiographic imaging and bone-anchored markers are invasive, radiation-intensive and workflow disruptive. Recent markerless RGB-D registration methods offer a promising alternative, but existing approaches rely on weak segmentation labels to isolate relevant anatomical structures, which can propagate errors throughout registration. Methods: We present End2Reg an end-to-end deep learning framework that jointly optimizes segmentation and registration, eliminating the need for weak segmentation labels and manual steps. The network learns segmentation masks specifically optimized for registration, guided solely by the registration objective without direct segmentation supervision. Results: The proposed framework achieves state-of-the-art performance on ex- and in-vivo benchmarks, reducing median Target Registration Error by 32% to 1.83mm and mean Root Mean Square Error by 45% to 3.95mm, respectively. An ablation study confirms that end-to-end optimization significantly improves registration accuracy. Conclusion: The presented end-to-end RGB-D registration pipeline removes dependency on weak labels and manual steps, advancing towards fully automatic, markerless intraoperative navigation. Code and interactive visualizations are available at: https://lorenzopettinari.github.io/end-2-reg/.
• Abstract（参考訳）: 目的:脊椎手術における術中ナビゲーションはミリレベルの精度が要求される。 術中X線画像と骨吸収マーカーに基づく現在のシステムは, 侵襲的, 放射線集約的, ワークフロー破壊的である。 最近のマーカーレスRGB-D登録法は、有望な代替手段であるが、既存のアプローチは、関連する解剖学的構造を分離するために弱いセグメンテーションラベルに依存しており、登録を通してエラーを伝播させることができる。 メソッド: End2Regは、セグメンテーションと登録を共同で最適化し、弱いセグメンテーションラベルと手動ステップを必要としないエンドツーエンドのディープラーニングフレームワークである。 ネットワークは、直接セグメンテーションの監督なしに、登録対象のみによってガイドされる、登録用に特別に最適化されたセグメンテーションマスクを学習する。 結果: 提案したフレームワークは,元ベンチマークと in-vivo ベンチマークの最先端性能を実現し,中央値のターゲット登録誤差を32%,1.83mm,Root Mean Square Errorを45%,3.95mmとした。 アブレーション調査では、エンドツーエンドの最適化によって登録精度が大幅に向上することを確認した。 結論: 提示されたエンドツーエンドのRGB-D登録パイプラインは、弱いラベルと手動ステップへの依存を排除し、完全に自動でマーカーなしの術中ナビゲーションへと進む。 コードとインタラクティブな視覚化は、https://lorenzopettinari.github.io/end-2-reg/.comで公開されている。

関連論文リスト

• Ideal Registration? Segmentation is All You Need [35.78496630045936]
  SegRegは、領域固有の変形パターンを利用して、解剖学的適応的な正規化を実装している。 SegRegは3つの臨床登録シナリオで既存の手法を2-12%上回っている。
  論文  参考訳（メタデータ） (2025-09-19T09:16:34Z)
• Robust and Annotation-Free Wound Segmentation on Noisy Real-World Pressure Ulcer Images: Towards Automated DESIGN-R\textsuperscript{\textregistered} Assessment [0.0]
  FUSegNetのような既存のモデルは、主に足の潰瘍データセットに基づいて訓練されているが、多くの場合、他の部位への一般化に失敗する。 本稿では,軽量なYOLOv11n検出器と事前学習されたFUSegNetセグメンテーションモデルを組み合わせたアノテーション効率パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-29T12:25:30Z)
• 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)
• EasyREG: Easy Depth-Based Markerless Registration and Tracking using Augmented Reality Device for Surgical Guidance [10.156036566483888]
  我々はARデバイスの奥行きセンサーのみに依存するマーカーレスフレームワークを提案する。 登録モジュールは、深度センサの誤差補正、Human-in-the-loop領域フィルタリング技術、ロバストなグローバルアライメントを統合する。 トラッキングモジュールは高速で堅牢な登録アルゴリズムを使用し、登録モジュールの初期ポーズを使用して、ターゲットのポーズをリアルタイムで推定する。
  論文  参考訳（メタデータ） (2025-04-13T09:48:33Z)
• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• AdLER: Adversarial Training with Label Error Rectification for One-Shot Medical Image Segmentation [24.902447478719303]
  逆トレーニングとラベル誤り訂正(AdLER)を併用した新しいワンショット医用画像分割法を提案する。 具体的には、新しい二重整合性制約を実装し、解剖学的整合性を保証し、登録エラーを低減する。 また,アトラス画像を増大させるための対角的トレーニング戦略も開発し,世代多様性とセグメンテーションの堅牢性を両立させる。
  論文  参考訳（メタデータ） (2023-09-02T16:06:50Z)
• Automatic registration with continuous pose updates for marker-less surgical navigation in spine surgery [52.63271687382495]
  本研究では, 腰部脊柱管固定術の登録問題を, 無放射線で自動的に解決するアプローチを提案する。 深部神経ネットワークは、腰椎を分割し、その方向を同時に予測するように訓練され、前手術モデルに対する最初のポーズが得られた。 拡張現実ベースのナビゲーションシステムとの統合により、直感的な外科的ガイダンスが提供される。
  論文  参考訳（メタデータ） (2023-08-05T16:26:41Z)
• GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
  学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。 我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。 提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
  論文  参考訳（メタデータ） (2023-06-26T13:32:09Z)
• One-Shot Medical Landmark Localization by Edge-Guided Transform and Noisy Landmark Refinement [59.14062241534754]
  医用ランドマークのワンショット化のための2段階のフレームワークを提案する。 ステージIでは,新たな損失関数の指導の下で,グローバルアライメントと局所変形のエンドツーエンドのカスケードを学習する。 ステージIIでは,信頼性の高い擬似ラベルを選択するための自己整合性や,半教師付き学習のための相互整合性について検討する。
  論文  参考訳（メタデータ） (2022-07-31T15:42:28Z)

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。