論文の概要: ArthroCut: Autonomous Policy Learning for Robotic Bone Resection in Knee Arthroplasty
- arxiv url: http://arxiv.org/abs/2603.03957v1
- Date: Wed, 04 Mar 2026 11:36:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.888143
- Title: ArthroCut: Autonomous Policy Learning for Robotic Bone Resection in Knee Arthroplasty
- Title（参考訳）: 人工膝関節置換術におけるロボット骨切除の自律的政策学習
- Authors: Xu Lu, Yiling Zhang, Wenquan Cheng, Longfei Ma, Fang Chen, Hongen Liao,
- Abstract要約: ArthroCutは、膝ロボットを補助的な実行からコンテキスト対応アクション生成にアップグレードする、自律的なポリシー学習フレームワークである。
この方法は、患者固有の解剖学と計画された切除面をエンコードするPIT(Preoperative Imaging Tokens)と、リアルタイムの視覚的、幾何学的、運動学的証拠を融合するTAST(Time-Aligned Surgery Tokens)という2つの補完的なトークンファミリーで機能する。
- 参考スコア（独自算出の注目度）: 9.11627658637943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite rapid commercialization of surgical robots, their autonomy and real-time decision-making remain limited in practice. To address this gap, we propose ArthroCut, an autonomous policy learning framework that upgrades knee arthroplasty robots from assistive execution to context-aware action generation. ArthroCut fine-tunes a Qwen--VL backbone on a self-built, time-synchronized multimodal dataset from 21 complete cases (23,205 RGB--D pairs), integrating preoperative CT/MR, intraoperative NDI tracking of bones and end effector, RGB--D surgical video, robot state, and textual intent. The method operates on two complementary token families -- Preoperative Imaging Tokens (PIT) to encode patient-specific anatomy and planned resection planes, and Time-Aligned Surgical Tokens (TAST) to fuse real-time visual, geometric, and kinematic evidence -- and emits an interpretable action grammar under grammar/safety-constrained decoding. In bench-top experiments on a knee prosthesis across seven trials, ArthroCut achieves an average success rate of 86% over the six standard resections, significantly outperforming strong baselines trained under the same protocol. Ablations show that TAST is the principal driver of reliability while PIT provides essential anatomical grounding, and their combination yields the most stable multi-plane execution. These results indicate that aligning preoperative geometry with time-aligned intraoperative perception and translating that alignment into tokenized, constrained actions is an effective path toward robust, interpretable autonomy in orthopedic robotic surgery.
- Abstract（参考訳）: 外科ロボットの急速な商業化にもかかわらず、その自律性とリアルタイムな意思決定は実際には限られている。
このギャップに対処するために,膝関節形成ロボットを補助的実行からコンテキスト認識行動生成にアップグレードする自律的なポリシー学習フレームワークArthroCutを提案する。
ArthroCutのQwen--VLバックボーンは、21の完全なケース(23,205のRGB-Dペア)から作成され、術前CT/MRの統合、骨とエンドエフェクタの術中NDI追跡、RGB-D手術ビデオ、ロボット状態、テキストインテントから作成されている。
この方法は、患者固有の解剖学と計画された切除面を符号化するPIT(Preoperative Imaging Tokens)と、リアルタイムの視覚的、幾何学的、運動学的証拠を融合するTAST(Time-Aligned Surgery Tokens)の2つの補完トークンファミリーで動作し、文法/安全制約された復号の下で解釈可能なアクション文法を出力する。
7回の人工膝関節のベンチトップ実験において、ArthroCutは6回の標準的な切除で平均86%の成功率を達成した。
アブレーションによると、TASTは信頼性の主要なドライバであり、PITは重要な解剖学的基盤を提供し、それらの組み合わせは最も安定したマルチプレーン実行をもたらす。
これらの結果は, 整形外科手術において, 術前形状と時間的整合性知覚の整合性, および, トークン化, 制約された動作への整合性は, 頑健かつ解釈可能な自律性への有効な経路であることが示唆された。
関連論文リスト
- Real-Time Decoding of Movement Onset and Offset for Brain-Controlled Rehabilitation Exoskeleton [2.6846496844461036]
上肢外骨格のオンライン二状態運動画像制御を実装し,ゴール指向の到達を可能にする。
グループ平均ヒット率は61.5%、オフセット64.5%であった。
そこで本研究では,クラスをサンプリングせずにドリフトを追跡する,クラスに依存しない固定型更新手法を提案する。
論文 参考訳（メタデータ） (2026-03-17T17:32:43Z) - Surgeons vs. Computer Vision: A comparative analysis on surgical phase recognition capabilities [65.66373425605278]
自動手術相認識(SPR)は、人工知能(AI)を使用して、手術ワークフローをその重要なイベントに分割する。
従来の研究は、短い外科手術と直線的な外科手術に焦点を合わせており、時間的文脈が手術の段階をよりよく分類する専門家の能力に影響を与えるかどうかを探索していない。
本研究は,ロボットによる部分腎切除(RAPN)を高度に非直線的に行うことに焦点を当て,これらのギャップに対処する。
論文 参考訳（メタデータ） (2025-04-26T15:37:22Z) - Fully automated workflow for designing patient-specific orthopaedic implants: application to total knee arthroplasty [0.0]
変形性関節症は世界中で約5億2800万人に影響を及ぼし、関節の痛みと硬直を引き起こす。
人工膝関節全置換術における患者固有のインプラント設計のための完全自動化ワークフローを提案する。
論文 参考訳（メタデータ） (2024-03-22T17:08:03Z) - An Automated Real-Time Approach for Image Processing and Segmentation of Fluoroscopic Images and Videos Using a Single Deep Learning Network [2.752817022620644]
人工膝関節における画像分割に機械学習を用いる可能性は、そのセグメンテーション精度を改善し、プロセスを自動化し、外科医にリアルタイムの補助を提供する能力にある。
本稿では, リアルタイム全膝画像分割における深層学習手法を提案する。
大規模なデータセットに基づいてトレーニングされた深層学習モデルは、インプラントされた大腿骨とティアビアの両方を正確にセグメント化する際、優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-23T05:00:02Z) - SAR-RARP50: Segmentation of surgical instrumentation and Action
Recognition on Robot-Assisted Radical Prostatectomy Challenge [72.97934765570069]
外科的動作認識と意味計測のセグメンテーションのための,最初のマルチモーダルなインビボデータセットを公開し,ロボット補助根治術(RARP)の50の縫合ビデオセグメントを収録した。
この課題の目的は、提供されたデータセットのスケールを活用し、外科領域における堅牢で高精度なシングルタスクアクション認識とツールセグメンテーションアプローチを開発することである。
合計12チームがこのチャレンジに参加し、7つのアクション認識方法、9つの計器のセグメンテーション手法、そしてアクション認識と計器のセグメンテーションを統合した4つのマルチタスクアプローチをコントリビュートした。
論文 参考訳（メタデータ） (2023-12-31T13:32:18Z) - GLSFormer : Gated - Long, Short Sequence Transformer for Step
Recognition in Surgical Videos [57.93194315839009]
本稿では,シーケンスレベルのパッチから時間的特徴を直接学習するための視覚変換器に基づくアプローチを提案する。
本研究では,白内障手術用ビデオデータセットである白内障-101とD99に対するアプローチを広範に評価し,各種の最先端手法と比較して優れた性能を示した。
論文 参考訳（メタデータ） (2023-07-20T17:57:04Z) - Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement [61.28459114068828]
安全な深部強化学習(DRL)に基づく訓練経路計画にリアルタイムな観察を活用するロボット脊椎手術の術中計画手法を提案する。
本手法は,ゴールドスタンダード (GS) 掘削計画に関して,90%の骨貫通を達成できた。
論文 参考訳（メタデータ） (2023-05-09T11:42:53Z) - Domain Adaptive Robotic Gesture Recognition with Unsupervised
Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。
ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。
その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文 参考訳（メタデータ） (2021-03-06T09:10:03Z) - Symmetric Dilated Convolution for Surgical Gesture Recognition [10.699258974625073]
外科的ジェスチャーを自動的に検出・分節する新しい時間的畳み込みアーキテクチャを提案する。
本研究では,長期時間パターンを符号化・復号化するために,自己アテンションモジュールでブリッジされた対称的拡張構造を用いて手法を考案する。
JIGSAWSデータセットからの基本的なロボット縫合タスクに対するアプローチを検証する。
論文 参考訳（メタデータ） (2020-07-13T13:34:48Z)
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。