論文の概要: Statistical Hand Shape Modeling from Clinical CT Scans Using Deep Learning and Implicit Skinning

• arxiv url: http://arxiv.org/abs/2605.16980v1
• Date: Sat, 16 May 2026 13:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.402871
• Title: Statistical Hand Shape Modeling from Clinical CT Scans Using Deep Learning and Implicit Skinning
• Title（参考訳）: 深層学習とインシシットスキニングを用いた臨床CT画像からの統計的手形状モデリング
• Authors: Gokce Guven, Hasan Fehmi Ates, Deniz Karasahin, Kaan Erdogan,
• Abstract要約: 本研究では, 1,271 elbow-to-hand (e2h-CT) CTから手解剖を抽出・解析するためのAI支援再建パイプラインを提案する。 Pix2Pixベースの条件生成対向ネットワークは、まず、CTボリュームからプラスターキャストとバックグラウンドアーティファクトを除去するために使用される。 分割された骨メッシュは骨格の表現を構築するために使用され、暗黙のスキニングによってすべてのハンドモデルを標準化された解剖学的構成に整列させることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate segmentation and statistical shape modeling of hand anatomy have significant implications for medical diagnostics, ergonomics, and biomechanics. This study proposes an AI-assisted reconstruction pipeline for segmenting and analyzing hand anatomy from 1,271 elbow-to-hand (e2h-CT) computed tomography scans. A Pix2Pix-based conditional generative adversarial network is first employed to remove plaster cast and background artifacts from CT volumes. The cleaned scans are then processed in 3D Slicer to extract skin and bone masks, which are converted into closed-surface mesh models. Segmented bone meshes are used to construct skeletal representations, enabling implicit skinning to align all hand models into a standardized anatomical configuration. Subsequently, non-rigid registration is performed on the hand skin surfaces using the Geodesic Based Coherent Point Drift++ (GBCPD++) algorithm to establish point-wise correspondence across subjects. Principal Component Analysis (PCA) is then applied to the registered models to quantify anatomical shape variability. The Pix2Pix preprocessing stage achieved a Dice coefficient of 0.9856 and an IoU of 0.9720 on the held-out test set. Statistical modeling was performed on a subset of 90 scans in which the fingers were fully visible and anatomically separated. The resulting statistical shape distributions demonstrate strong agreement with the U.S. Army Anthropometric Survey (ANSUR II), supporting the anatomical validity of the reconstructed models. The proposed methodology demonstrates significant potential for advancing biomechanical modeling, ergonomic optimization, prosthetic design, and precision medical diagnostics.
• Abstract（参考訳）: 手解剖の正確なセグメンテーションと統計的形状モデリングは、医学診断、エルゴノミクス、バイオメカニクスに重要な意味を持つ。 本研究では, 1,271 elbow-to-hand (e2h-CT) CTから手解剖を抽出・解析するためのAI支援再建パイプラインを提案する。 Pix2Pixベースの条件生成対向ネットワークは、まず、CTボリュームからプラスターキャストとバックグラウンドアーティファクトを除去するために使用される。 クリーニングされたスキャンは3Dスライダで処理され、皮膚と骨マスクを抽出し、クローズドな表面メッシュモデルに変換する。 分割された骨メッシュは骨格の表現を構築するために使用され、暗黙のスキニングによってすべてのハンドモデルを標準化された解剖学的構成に整列させることができる。 その後、Geodesic Based Coherent Point Drift++ (GBCPD++)アルゴリズムを用いて手皮膚表面の非剛性登録を行い、被験者間のポイントワイド対応を確立する。 主成分分析(PCA)は、登録されたモデルに適用され、解剖学的形状のばらつきを定量化する。 Pix2Pixの前処理段階はDice係数が0.9856、IoUが0.9720に達した。 統計的モデリングは90スキャンのサブセットで行われ、指が完全に見え、解剖学的に分離された。 結果として得られた統計的形状分布は、再建されたモデルの解剖学的妥当性を支持する、アメリカ陸軍の人体計測調査 (ANSUR II) と強い一致を示している。 提案手法は, バイオメカニカル・モデリング, エルゴノミクス・最適化, 補綴設計, 精密医療診断の進歩に大きな可能性を示す。

関連論文リスト

• Rule-based Key-Point Extraction for MR-Guided Biomechanical Digital Twins of the Spine [7.472140755231005]
  サブピクセル精度の高いキーポイント抽出のためのルールベース手法を提案する。 本手法は,解剖学的に意味のあるランドマークを生成するために,頑健な画像アライメントと脊椎特異的な方向推定を取り入れたものである。 この研究は、正確な医用画像解析と生体力学シミュレーションのギャップを埋めることによって、デジタル双生児エコシステムに寄与する。
  論文  参考訳（メタデータ） (2025-08-20T13:31:40Z)
• 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)
• Med-PU: Point Cloud Upsampling for High-Fidelity 3D Medical Shape Reconstruction [3.03428788883563]
  骨盤形状の正確な再構築のために,医用画像セグメンテーションと点雲アップサンプリングを統合したフレームワークであるMed-PUを提案する。 ランドマークやPCAベースの統計形状モデルとは異なり、Med-PUは大規模3次元形状データから直接暗黙の解剖学を学習する。 Med-PUは、アーティファクトを低減しつつ、表面品質と解剖学的忠実度を一貫して改善し、入力密度間の堅牢性を実証する。
  論文  参考訳（メタデータ） (2025-01-28T05:47:50Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• BOSS: Bones, Organs and Skin Shape Model [10.50175010474078]
  我々は,CT画像から学習した皮膚,内臓,骨を結合した変形可能な人体形状とポーズモデルを提案する。 確率的PCAを用いて、ポーズ正規化空間の統計的変動をモデル化することにより、本手法は身体の全体像を提供する。
  論文  参考訳（メタデータ） (2023-03-08T22:31:24Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Benchmarking off-the-shelf statistical shape modeling tools in clinical applications [53.47202621511081]
  我々は、広く使われている最先端のSSMツールの結果を体系的に評価する。 解剖学的ランドマーク/計測推測および病変スクリーニングのための検証フレームワークを提案する。 ShapeWorks と Deformetrica の形状モデルは臨床的に関連する集団レベルの変動を捉えている。
  論文  参考訳（メタデータ） (2020-09-07T03:51:35Z)
• A Deep Learning-Based Method for Automatic Segmentation of Proximal Femur from Quantitative Computed Tomography Images [5.731199807877257]
  我々は、エンドツーエンドの完全畳み込みニューラルネットワーク(CNN)であるV on-Netに基づく3次元画像分割法を開発した。 提案手法の有効性を評価する実験を行った。
  論文  参考訳（メタデータ） (2020-06-09T21:16:47Z)

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。