論文の概要: GeoCFNet: Geometry-Aware Confidence Field Network for Robot-Assisted Endoscopic Submucosal Dissection

• arxiv url: http://arxiv.org/abs/2606.13032v1
• Date: Thu, 11 Jun 2026 08:06:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.662811
• Title: GeoCFNet: Geometry-Aware Confidence Field Network for Robot-Assisted Endoscopic Submucosal Dissection
• Title（参考訳）: GeoCFNet:ロボットによる内視鏡下粘膜郭清のための幾何学的信頼性フィールドネットワーク
• Authors: Rui Tang, Guankun Wang, Long Bai, Haochen Yin, Huxin Gao, Jiewen Lai, Jiazheng Wang, Hongliang Ren,
• Abstract要約: GeoCFNetは、事前訓練されたDINOv3バックボーン上に構築された、幾何対応の信頼性フィールドネットワークである。 GeoCFNet は RMSE 0.0480, PSNR 27.1995, SSIM 0.3397, CC 0.2466 を達成し, ロボット支援型 ESD 誘導のための正確かつ幾何的に安定な信頼性場推定を行う。
• 参考スコア（独自算出の注目度）: 16.272444152674687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced surgical robotics has made robot-assisted endoscopic submucosal dissection (ESD) a promising approach for the en-bloc resection of large lesions, with the potential to reduce recurrence and improve long-term outcomes. However, the technical complexity and risk of complications in ESD demand stable and precise visual guidance to maintain an accurate dissection corridor and a safe tissue margin. Dense confidence fields provide an effective representation for this purpose by describing both the preferred dissection region and its spatial transition to surrounding tissue. However, reliable confidence field estimation remains challenging in dynamic endoscopic scenes due to smoke, specular highlights, tissue deformation, weak texture, and the thin geometric structure of the target region. To address these challenges, we formulate dissection guidance as a geometry-aware confidence field estimation problem and propose GeoCFNet, a geometry-aware confidence field network built on a pretrained DINOv3 backbone. GeoCFNet integrates a Token-Differentiated Fusion module to aggregate class-token context with dense patch representations, a SegFormer decoder for confidence regression, and Geometry-Aware Spatial Regularization (GASR) to preserve spatial coherence and local geometric transitions. Experimental results show that GeoCFNet achieves RMSE 0.0480, PSNR 27.1995, SSIM 0.3397, and CC 0.2466, indicating accurate and geometrically stable confidence field estimation for robot-assisted ESD guidance.
• Abstract（参考訳）: 先進的な外科ロボティクスは、内視鏡的粘膜下解離(ESD)を大きな病変の大量切除に有望なアプローチとし、再発の軽減と長期的改善の可能性を秘めている。 しかし、EDDの合併症の技術的複雑さとリスクは、正確な解離回廊と安全な組織縁を維持するために、安定かつ正確な視覚指導を必要とする。 デンス・インシュアランス・フィールドは、所望の解離領域と周囲の組織への空間的遷移の両方を記述することにより、この目的のために効果的な表現を提供する。 しかし, 煙, スペックルハイライト, 組織変形, 弱いテクスチャ, ターゲット領域の細い幾何学的構造などにより, ダイナミックな内視鏡的シーンでは信頼性の高い場推定が依然として困難である。 これらの課題に対処するため,DINOv3バックボーン上に構築された幾何対応信頼度フィールドネットワークであるGeoCFNetを提案する。 GeoCFNetは、Token-Differentiated Fusionモジュールを統合して、クラストークンコンテキストを高密度なパッチ表現で集約し、信頼回帰のためのSegFormerデコーダと、空間コヒーレンスと局所幾何学的遷移を保存するためのGeometry-Aware Spatial Regularization (GASR) を統合している。 実験の結果,GeoCFNetはRMSE 0.0480, PSNR 27.1995, SSIM 0.3397, CC 0.2466を達成し, ロボット支援型ESD誘導のための正確かつ幾何的に安定な信頼度場推定を行うことがわかった。

関連論文リスト

• EndoVGGT: GNN-Enhanced Depth Estimation for Surgical 3D Reconstruction [4.035026965933258]
  EndoVGGTは、変形対応グラフアテンションモジュールを備えた幾何学中心のフレームワークである。 本手法によりPSNRは24.6%増加し,SSIMは9.1%向上した。 これらの結果は、一貫した外科的3次元再構成における動的特徴空間モデリングの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2026-03-25T17:53:34Z)
• Multimodal Conditional MeshGAN for Personalized Aneurysm Growth Prediction [11.248858642567773]
  MCMeshGANは3次元大動脈瘤進展予測のための条件付きメッシュ・メシュ生成逆数ネットワークである。 専用条件分岐は、臨床属性(年齢、性別)と目標時間間隔を符号化し、解剖学的に妥当で、時間的に制御された予測を生成する。 MCMeshGANは、幾何学的精度と臨床的に重要な直径推定の両方において、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-08-27T13:25:52Z)
• FUTransUNet-GradCAM: A Hybrid Transformer-U-Net with Self-Attention and Explainable Visualizations for Foot Ulcer Segmentation [0.0]
  糖尿病性足潰瘍 (DFUs) の自動分節は, 臨床診断, 治療計画, 縦断的創傷モニタリングにおいて重要な役割を担っている。 従来の畳み込みニューラルネットワーク(CNN)は、強力なローカライゼーション機能を提供するが、長距離空間依存のモデル化に苦慮している。 視覚変換器(ViT)のグローバルアテンション機構をU-Netフレームワークに統合するハイブリッドアーキテクチャであるFUTransUNetを提案する。
  論文  参考訳（メタデータ） (2025-08-04T11:05:14Z)
• UNSCT-HRNet: Modeling Anatomical Uncertainty for Landmark Detection in Total Hip Arthroplasty [21.90601597000203]
  本研究では,空間関係融合(SRF)モジュールと不確実性推定(UE)モジュールを統合するフレームワークUNSCT-HRNetを提案する。 構造化されていないデータに対して,提案手法は一定数の点に依存することなくランドマークを予測できる。 UNSCT-HRNetは、非構造化データの複数のメトリクスで60%以上の改善を実証しています。
  論文  参考訳（メタデータ） (2024-11-13T10:13:23Z)
• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。