論文の概要: Towards Patient-Specific Deformable Registration in Laparoscopic Surgery

• arxiv url: http://arxiv.org/abs/2604.13186v1
• Date: Tue, 14 Apr 2026 18:09:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.244656
• Title: Towards Patient-Specific Deformable Registration in Laparoscopic Surgery
• Title（参考訳）: 腹腔鏡下手術における患者の変形性レジストレーションに向けて
• Authors: Alberto Neri, Veronica Penza, Nazim Haouchine, Leonardo S. Mattos,
• Abstract要約: 患者固有のノンリグッドポイントクラウド登録法について紹介する。 提案手法では,Transformerエンコーダ/デコーダアーキテクチャと重複推定と専用のマッチングモジュールを組み合わせる。 人工データと実データの両方を用いた実験結果から, 患者固有の方法が従来の手法より有意に優れていたことが判明した。
• 参考スコア（独自算出の注目度）: 1.2599533416395765
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unsafe surgical care is a critical health concern, often linked to limitations in surgeon experience, skills, and situational awareness. Integrating patient-specific 3D models into the surgical field can enhance visualization, provide real-time anatomical guidance, and reduce intraoperative complications. However, reliably registering these models in general surgery remains challenging due to mismatches between preoperative and intraoperative organ surfaces, such as deformations and noise. To overcome these challenges, we introduce the first patient-specific non-rigid point cloud registration method, which leverages a novel data generation strategy to optimize outcomes for individual patients. Our approach combines a Transformer encoder-decoder architecture with overlap estimation and a dedicated matching module to predict dense correspondences, followed by a physics-based algorithm for registration. Experimental results on both synthetic and real data demonstrate that our patient-specific method significantly outperforms traditional agnostic approaches, achieving 45% Matching Score with 92% Inlier Ratio on synthetic data, highlighting its potential to improve surgical care.
• Abstract（参考訳）: 安全でない外科治療は重要な健康上の問題であり、しばしば外科医の経験、技能、状況認識の制限と結びついている。 外科領域への患者固有の3Dモデルの統合は、可視化を強化し、リアルタイム解剖学的ガイダンスを提供し、術中の合併症を減らすことができる。 しかし, 変形や騒音などの術前臓器表面と術中臓器表面のミスマッチが原因で, これらのモデルを手術中に確実に登録することは依然として困難である。 これらの課題を克服するために,患者毎の成果を最適化するために,新たなデータ生成戦略を活用する,患者固有のノンリグッド・ポイント・クラウド登録手法を導入する。 提案手法では,トランスフォーマーエンコーダ・デコーダアーキテクチャと重み付け推定と,高密度対応を予測するための専用のマッチングモジュールを組み合わせる。 人工データと実データの両方を用いた実験結果から, 患者固有の手法は従来の非依存的アプローチよりも有意に優れており, 45%のマッチングスコアと92%のInlier Ratioを合成データで達成し, 外科的治療の改善の可能性を強調した。

関連論文リスト

• SurgPhase: Time efficient pituitary tumor surgery phase recognition via an interactive web platform [4.1977714530157435]
  下垂体腫瘍手術(PTS)ビデオにおける位相認識のための包括的枠組みを提案する。 提案手法はホールドアウトテストセットにおいて90%の精度を達成し,現在の最先端手法よりも優れていた。 この研究の中心的な貢献は、外科医が手術ビデオをアップロードするために設計された協調的なオンラインプラットフォームの統合である。
  論文  参考訳（メタデータ） (2026-03-26T00:22:20Z)
• PIVOTS: Aligning unseen Structures using Preoperative to Intraoperative Volume-To-Surface Registration for Liver Navigation [11.658316634846697]
  PIVOTSは、変形予測の入力として点雲を取るニューラルネットワークである。 生体力学シミュレーションパイプラインからシミュレーションした合成データに基づいてニューラルネットワークをトレーニングする。 その結果,ベースライン法よりも優れた登録性能が得られた。
  論文  参考訳（メタデータ） (2025-07-27T16:01:26Z)
• Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
  経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。 まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
  論文  参考訳（メタデータ） (2025-07-22T13:24:45Z)
• Toward Reliable AR-Guided Surgical Navigation: Interactive Deformation Modeling with Data-Driven Biomechanics and Prompts [21.952265898720825]
  本稿では,計算効率を向上しつつ,FEMレベルの精度を維持するデータ駆動アルゴリズムを提案する。 変形モデリングプロセスに新たなヒューマン・イン・ザ・ループ機構を導入する。 提案アルゴリズムは, 平均目標登録誤差を3.42mmとし, ボリューム精度で最先端の手法を超越した。
  論文  参考訳（メタデータ） (2025-06-08T14:19:54Z)
• Monocular Marker-free Patient-to-Image Intraoperative Registration for Cochlear Implant Surgery [4.250558597144547]
  本フレームワークは単分子型外科顕微鏡とシームレスに統合され,追加のハードウェア依存や要件を伴わずに臨床応用に極めて有用である。 以上より, 術中CTスキャンを2次元の手術シーンに登録し, 角誤差が10度以内の症例では, 6次元カメラの撮影位置の予測に臨床的に関連性があることが示唆された。
  論文  参考訳（メタデータ） (2025-05-23T21:15:00Z)
• 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)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)

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。