論文の概要: Tracing Like a Clinician: Anatomy-Guided Spatial Priors for Cephalometric Landmark Detection

• arxiv url: http://arxiv.org/abs/2605.03358v1
• Date: Tue, 05 May 2026 04:33:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.767696
• Title: Tracing Like a Clinician: Anatomy-Guided Spatial Priors for Cephalometric Landmark Detection
• Title（参考訳）: 臨床医のように追跡する:ケパロメトリランドマーク検出のための解剖誘導型空間優先法
• Authors: Sidhartha Mohapatra, Pallavi Mohanty,
• Abstract要約: 本稿では,この臨床ワークフローを計算操作に変換する5段階の解剖誘導パイプラインを提案する。 7以上の撮像装置にまたがる3つの光源からの1,502個のX線写真では、25のランドマークで1.04mmの平均放射誤差を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When orthodontists trace cephalometric radiographs, they follow a structured workflow: identify the soft tissue profile, partition the skull into anatomical regions, trace contours, and locate landmarks using geometric definitions -- yet no automated system replicates this reasoning. We present a five-phase anatomy-guided initialization pipeline that translates this clinical workflow into computational operations, producing confidence-weighted spatial attention priors for a downstream HRNet-W32 detector. On 1,502 radiographs from three sources spanning 7+ imaging devices, the system achieves 1.04 mm mean radial error on 25 landmarks -- surpassing prior state-of-the-art (1.23 mm on 19 landmarks) by 15.4%, with twelve landmarks below 1 mm. A three-way controlled ablation reveals two striking findings. First, removing anatomical priors does not merely slow convergence -- it destroys generalization: both models converge to ~1.03 mm on validation, but diverge to 1.94 vs. 1.04 mm on the test set. Second, replacing anatomical priors with random-position Gaussians produces even worse generalization (2.24 mm), confirming that the improvement derives from anatomically correct positioning, not additional input channels. Clinical domain knowledge encoded as spatial priors provides an inductive bias that architecture and data augmentation alone do not provide.
• Abstract（参考訳）: 矯正医が頭頂部X線写真を追跡すると、軟組織プロファイルを識別し、頭蓋骨を解剖学的領域に分割し、輪郭を辿り、幾何学的定義を使ってランドマークを見つけるという構造的なワークフローに従う。 本稿では,この臨床ワークフローを計算操作に変換する5段階の解剖誘導初期化パイプラインを提案する。 7以上の撮像装置にまたがる3つの光源からの1,502個のX線写真では、25のランドマークで1.04mmの平均放射誤差を達成し、以前の最先端(19のランドマークで1.23mm)を15.4%上回り、12のランドマークが1mm未満である。 左右にコントロールされたアブレーションでは,2つの顕著な所見がみられた。 どちらのモデルも検証において ~1.03 mm に収束するが、テストセットでは 1.94 対 1.04 mm に発散する。 第二に、解剖学的前駆体をランダムな位置のガウスアンに置き換えると、さらに悪い一般化(2.24mm)が起こり、改良は、追加の入力チャネルではなく、解剖学的に正しい位置付けに由来することが確認される。 空間的先行として符号化された臨床領域知識は、アーキテクチャとデータ拡張だけでは提供されない帰納的バイアスを与える。

関連論文リスト

• Hierarchical Attention for Sparse Volumetric Anomaly Detection in Subclinical Keratoconus [0.0]
  階層アーキテクチャーは21～23%の感度と特異性を実現します。 力学解析は、この利点が空間スケールのアライメントから生じることを示唆している。 サブクリニカルケースは、健康的または過剰な病理学的ボリュームよりも長い空間的な統合を必要とする。
  論文  参考訳（メタデータ） (2025-12-03T01:20:13Z)
• Markerless Augmented Reality Registration for Surgical Guidance: A Multi-Anatomy Clinical Accuracy Study [6.154533735564864]
  我々は,ヘッドマウントディスプレイ上に,奥行きのみのマーカーレス拡張現実(AR)登録パイプラインを開発し,臨床評価を行った。 実運用環境における小・低曲率解剖の精度を評価する。
  論文  参考訳（メタデータ） (2025-11-03T21:58:33Z)
• UltraSeP: Sequence-aware Pre-training for Echocardiography Probe Movement Guidance [70.94473797093293]
  本稿では,高品質な標準平面画像取得のためのプローブポーズ調整によるロボットシステムや初心者の誘導に応用可能な,新しいプローブ移動誘導アルゴリズムを提案する。 本研究では, マスクアウト画像の特徴とプローブ動作をスキャンシーケンスで予測することにより, パーソナライズされた3次元心構造の特徴を学習する。
  論文  参考訳（メタデータ） (2024-08-27T12:55:54Z)
• 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)
• A geometry-aware deep network for depth estimation in monocular endoscopy [17.425158094539462]
  提案手法は,異なるデータセットと臨床画像にまたがって広範囲に検証されている。 提案法の平均RMSE値は12.604(T1-L1)、9.930(T2-L2)、13.893(Colon)である。
  論文  参考訳（メタデータ） (2023-04-20T11:59:32Z)
• Estimation of mitral valve hinge point coordinates -- deep neural net for echocardiogram segmentation [0.0]
  僧帽弁ヒンジ点の完全自動検出法を提案する。 この方法は、得られたセグメンテーションから第2ステップで僧帽弁ヒンジポイントを抽出する。 この自動検出法を用いて測定した結果を基準座標値と比較した。
  論文  参考訳（メタデータ） (2023-01-20T19:46:16Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Pose-dependent weights and Domain Randomization for fully automatic X-ray to CT Registration [51.280096834264256]
  完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。 この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。 ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
  論文  参考訳（メタデータ） (2020-11-14T12:50:32Z)
• Segmentation-free Estimation of Aortic Diameters from MRI Using Deep Learning [2.231365407061881]
  大動脈径の直接推定のための教師付き深層学習法を提案する。 提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。 全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
  論文  参考訳（メタデータ） (2020-09-09T18:28:00Z)
• 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)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。