論文の概要: Stop Holding Your Breath: CT-Informed Gaussian Splatting for Dynamic Bronchoscopy

• arxiv url: http://arxiv.org/abs/2604.28179v1
• Date: Thu, 30 Apr 2026 17:57:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.244821
• Title: Stop Holding Your Breath: CT-Informed Gaussian Splatting for Dynamic Bronchoscopy
• Title（参考訳）: 呼吸停止:ダイナミック気管支鏡用CTインフォームドガウススプラッティング
• Authors: Andrea Dunn Beltran, Daniel Rho, Aarav Mehta, Xinqi Xiong, Raúl San José Estépar, Ron Alterovitz, Marc Niethammer, Roni Sengupta,
• Abstract要約: 気管支鏡下ナビゲーションは、術前CTスキャンに内視鏡映像を登録することに依存する。 呼吸運動は気道を5-20mm変形させ、CTから体への分岐を引き起こす。 患者固有の呼吸モデルを用いて呼吸保持プロトコルの必要性を排除することを提案する。
• 参考スコア（独自算出の注目度）: 19.10420788280643
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Bronchoscopic navigation relies on registering endoscopic video to a preoperative CT scan, but respiratory motion deforms the airway by 5-20 mm, creating CT-to-body divergence that limits localization accuracy. In practice, this is mitigated through breath-hold protocols, which attempt to match the intraoperative anatomy to a static CT, but are difficult to reproduce and disrupt clinical workflow. We propose to eliminate the need for breath-hold protocols by leveraging patient-specific respiratory modeling. Paired inhale-exhale CT scans, already acquired for planning, implicitly define the patient-specific deformation space of the breathing airway. By registering these scans, we reduce respiratory motion to a single scalar breathing phase per frame, constraining all reconstructions to anatomically observed configurations. We embed this representation within a mesh-anchored Gaussian splatting framework, where a lightweight estimator infers breathing phase directly from endoscopic RGB, enabling continuous, deformation-aware reconstruction throughout the respiratory cycle without breath-holds or external sensing. To enable quantitative evaluation, we introduce RESPIRE, a physically grounded bronchoscopy simulation pipeline with per-frame ground truth for geometry, pose, breathing phase, and deformation. Experiments on RESPIRE show that our approach achieves geometrically faithful reconstruction, over 20x faster training, and 1.22 mm target localization accuracy (within the 3mm clinically relevant tolerances) outperforming unconstrained single-CT baselines. Please check out our website for additional visuals: https://asdunnbe.github.io/RESPIRE/
• Abstract（参考訳）: 気管支鏡下ナビゲーションは、術前のCTスキャンに内視鏡映像を登録することに依存しているが、呼吸運動は気道を5～20mm変形させ、局所化の精度を制限するCTと身体のばらつきを生じさせる。 術中解剖と静的CTとを一致させようとする呼吸保持プロトコルにより、これは緩和されるが、臨床ワークフローを再現し破壊することは困難である。 患者固有の呼吸モデルを用いて呼吸保持プロトコルの必要性を排除することを提案する。 呼吸気道の患者固有の変形空間を暗黙的に定義する。 これらのスキャンを登録することにより、呼吸運動を1フレームあたり1つのスカラー呼吸フェーズに減少させ、解剖学的に観察された構成に全再構成を拘束する。 この表現をメッシュアンカレートしたガウススメッティングフレームワークに組み込み、軽量な推定器が内視鏡的RGBから直接呼吸位相を推定し、呼吸ホールドや外部センサーを使わずに呼吸周期を通して連続的かつ変形を意識した再構築を可能にする。 定量的評価を実現するため, 形状, ポーズ, 呼吸位相, 変形に対して, フレーム単位の真理を持つ物理接地型気管支鏡シミュレーションパイプライン RESPIRE を導入する。 RESPIREを用いた実験の結果, 術式は幾何的忠実な再構築, 20倍高速トレーニング, 1.22mm目標位置推定精度(臨床的に有意な許容範囲は3mm)を達成し, 単線CTベースラインよりも優れていた。 詳しくは、われわれのWebサイトをご覧ください。

関連論文リスト

• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
  現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。 新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• Investigating the impact of kernel harmonization and deformable registration on inspiratory and expiratory chest CT images for people with COPD [5.293488807720599]
  本稿では、再構成カーネルを調和させ、変形可能な画像登録を行うための2段階パイプラインを提案する。 ハードカーネル (BONE) で再構成した呼吸スキャンとソフトカーネル (STANDARD) で再構成した呼吸スキャンを調和させるために, GAN (Cycle Generative Adversarial Network) を用いている。 その結果,高調波は気腫測定の不整合を著しく減少させることがわかった。
  論文  参考訳（メタデータ） (2025-02-07T17:41:49Z)
• Airway Label Prediction in Video Bronchoscopy: Capturing Temporal Dependencies Utilizing Anatomical Knowledge [0.0]
  本稿では,気管支鏡画像データのみを取り入れたナビゲーションガイダンスについて述べる。 気道樹の解剖学的制約を最大限に活用する。 我々は、個々のフレームに基づく分類において、0.81と比較して、最大0.98まで精度を向上することができる。
  論文  参考訳（メタデータ） (2023-07-17T08:26:36Z)
• Using BOLD-fMRI to Compute the Respiration Volume per Time (RTV) and Respiration Variation (RV) with Convolutional Neural Networks (CNN) in the Human Connectome Development Cohort [55.41644538483948]
  本研究では, RVとRVTの2つの呼吸対策を再現するための1次元CNNモデルを提案する。 その結果、CNNはBOLD信号の静止から情報的特徴を捉え、現実的なRVとRVTのタイムリーを再構築できることがわかった。
  論文  参考訳（メタデータ） (2023-07-03T18:06:36Z)
• An Efficient and Robust Method for Chest X-Ray Rib Suppression that Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
  胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。 従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。 本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。 2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
  論文  参考訳（メタデータ） (2023-02-19T23:47:02Z)
• RMSim: Controlled Respiratory Motion Simulation on Static Patient Scans [7.575469466607952]
  4D-CT画像から学習する3D Seq2Seqディープラーニング呼吸運動シミュレータ(RMSim)を提案する。 内科140例の10段階4D-CTを用いてRMSimを訓練・試験した。 RMSimの出力をプライベートとパブリック両方のベンチマークデータセットで検証しました。
  論文  参考訳（メタデータ） (2023-01-26T21:20:14Z)
• REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
  REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。 高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
  論文  参考訳（メタデータ） (2022-08-17T03:42:19Z)
• What Makes for Automatic Reconstruction of Pulmonary Segments [50.216231776343115]
  肺の3次元再構成は肺癌の外科的治療計画において重要な役割を担っている。 しかし, 深層学習の時代には, 肺部分の自動再建は行われていない。 肺セグメント再建のための深部暗黙表面モデルImPulSeを提案する。
  論文  参考訳（メタデータ） (2022-07-07T04:24:17Z)
• 2-D Respiration Navigation Framework for 3-D Continuous Cardiac Magnetic Resonance Imaging [61.701281723900216]
  連続スキャン中に2次元呼吸情報を得るためのサンプリング適応を提案する。 我々は、取得した信号から異なる呼吸状態を抽出し、ある呼吸相からデータを再構成するパイプラインを開発した。
  論文  参考訳（メタデータ） (2020-12-26T08:29:57Z)
• Airflow recovery from thoracic and abdominal movements using Synchrosqueezing Transform and Locally Stationary Gaussian Process Regression [6.496038875667294]
  本稿では, 非線形型時間周波数解析ツールであるシンクロスキューズ変換を用いて, 胸部, 腹部の運動信号を特徴として表現することを提案する。 正常な睡眠条件下での呼吸信号を含むデータセットを用いて,提案したモデルを特徴空間に適合させることで,正確な予測が可能であることを示す。
  論文  参考訳（メタデータ） (2020-08-11T01:37:38Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。