論文の概要: TempDiffReg: Temporal Diffusion Model for Non-Rigid 2D-3D Vascular Registration
- arxiv url: http://arxiv.org/abs/2601.18168v1
- Date: Mon, 26 Jan 2026 05:40:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.692524
- Title: TempDiffReg: Temporal Diffusion Model for Non-Rigid 2D-3D Vascular Registration
- Title（参考訳）: TempDiffReg:非リジッド2D-3D血管登録のための時間拡散モデル
- Authors: Zehua Liu, Shihao Zou, Jincai Huang, Yanfang Zhang, Chao Tong, Weixin Si,
- Abstract要約: 提案手法は, 最新技術(SOTA)法を精度, 解剖学的妥当性ともに常に上回っている。
経験の浅い臨床医が複雑なTACE手術を安全に行うのを助ける可能性がある。
- 参考スコア（独自算出の注目度）: 14.97788368971466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transarterial chemoembolization (TACE) is a preferred treatment option for hepatocellular carcinoma and other liver malignancies, yet it remains a highly challenging procedure due to complex intra-operative vascular navigation and anatomical variability. Accurate and robust 2D-3D vessel registration is essential to guide microcatheter and instruments during TACE, enabling precise localization of vascular structures and optimal therapeutic targeting. To tackle this issue, we develop a coarse-to-fine registration strategy. First, we introduce a global alignment module, structure-aware perspective n-point (SA-PnP), to establish correspondence between 2D and 3D vessel structures. Second, we propose TempDiffReg, a temporal diffusion model that performs vessel deformation iteratively by leveraging temporal context to capture complex anatomical variations and local structural changes. We collected data from 23 patients and constructed 626 paired multi-frame samples for comprehensive evaluation. Experimental results demonstrate that the proposed method consistently outperforms state-of-the-art (SOTA) methods in both accuracy and anatomical plausibility. Specifically, our method achieves a mean squared error (MSE) of 0.63 mm and a mean absolute error (MAE) of 0.51 mm in registration accuracy, representing 66.7\% lower MSE and 17.7\% lower MAE compared to the most competitive existing approaches. It has the potential to assist less-experienced clinicians in safely and efficiently performing complex TACE procedures, ultimately enhancing both surgical outcomes and patient care. Code and data are available at: \textcolor{blue}{https://github.com/LZH970328/TempDiffReg.git}
- Abstract（参考訳）: 肝細胞癌などの肝悪性腫瘍に対して,経動脈塞栓術(TACE)が望ましい治療法である。
精密で堅牢な2D-3D血管登録は、TACE中の微小カテーテルと機器をガイドし、血管構造の正確な局在と最適な治療ターゲットを可能にするために不可欠である。
この問題に対処するため、我々は粗大な登録戦略を開発する。
まず,大域的なアライメントモジュール,SA-PnPを導入し,2次元構造と3次元構造との対応性を確立する。
第2にTempDiffRegを提案する。TempDiffRegは、時間的文脈を利用して、複雑な解剖学的変動と局所的な構造変化を捉えることで、容器の変形を反復的に行う時間的拡散モデルである。
総括的評価のため,23例のデータを収集し,626対の多フレームサンプルを構築した。
実験の結果,提案手法は精度と解剖学的妥当性の両面で,最先端(SOTA)法より一貫して優れていた。
具体的には,平均二乗誤差(MSE)が0.63mmであり,平均絶対誤差(MAE)が0.51mmであり,MSEが66.7%,MAEが17.7%であった。
経験の浅い臨床医が、安全かつ効率的に複雑なTACE手術を行うことで、最終的には外科的結果と患者のケアの両方を増強する可能性がある。
コードとデータは以下の通りである。 \textcolor{blue}{https://github.com/LZH970328/TempDiffReg.git}
関連論文リスト
- Detection and Localization of Subdural Hematoma Using Deep Learning on Computed Tomography [3.5333115085185614]
硬膜下血腫 (SDH) は神経外科的緊急時であり, 高齢化が進んでいる。
マルチモーダルな臨床および画像情報を統合する透明でハイパフォーマンスなシステムが必要である。
我々は,構造化された臨床変数とCTボリュームに基づいて訓練された3次元畳み込みニューラルネットワークと,SDHの検出とローカライゼーションのための2次元セグメンテーションモデルを統合するマルチモーダルディープラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2025-12-10T07:37:42Z) - Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。
症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。
臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
論文 参考訳（メタデータ） (2025-08-20T01:58:45Z) - Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography [13.885760158090692]
心筋領域誘導型特徴集約ネットは、冠状動脈セグメンテーションの堅牢性を高めるために、解剖学的事前知識を統合する新しいU字型二重エンコーダアーキテクチャである。
本フレームワークは,(1)ブリッジング拡張とマルチスケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2)並列空間チャネルの注意と残留ブロックを結合して局所的特徴識別を増強する残留特徴抽出モジュール,(3)階層的血管特徴の適応的アダプティブアグリゲーションのためのマルチスケール機能融合モジュールの3つの重要なイノベーションを取り入れている。
論文 参考訳（メタデータ） (2025-04-27T16:43:52Z) - 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) - A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
3DパッチをベースとしたResidual U-Netアーキテクチャに基づいた,ディープラーニングの自動パイプラインを開発した。
進行前立腺癌 (APC) と多発性骨髄腫 (MM) の532検体を含む多心性WB-DWIデータセットを用いた。
オートマチックとマニュアルフルボディのADCの相対的な中央値差は10%以下であった。
モデルはアトラスベース登録アルゴリズムの12倍高速であった。
論文 参考訳（メタデータ） (2025-03-26T17:03:46Z) - Augmented Reality-based Guidance with Deformable Registration in Head and Neck Tumor Resection [3.0375728447182766]
厚み情報を登録プロセスに組み込んだ新規な変形可能な登録フレームワークを提案する。
舌標本では, 対象登録誤差(TRE)を最大33%改善した。
異なる試料の異なる変形挙動を解析し, 整形変形戦略の必要性を強調した。
論文 参考訳（メタデータ） (2025-03-11T18:32:14Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。