論文の概要: Patient-Specific Articulated Digital Twins from a Single Full-Body CT Scan

• arxiv url: http://arxiv.org/abs/2607.02156v1
• Date: Thu, 02 Jul 2026 13:30:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.845009
• Title: Patient-Specific Articulated Digital Twins from a Single Full-Body CT Scan
• Title（参考訳）: フルボディーCTスキャンによる患者特発性Digital Twinsの1例
• Authors: Han Zhang, Boyang Zhao, Mathias Unberath,
• Abstract要約: 患者固有の解剖モデルは、手術計画、画像誘導的介入、アルゴリズム開発のためのコンテキストを提供する。 フルボディCTスキャンを用いて患者特異的なデジタル双対を構築するための概念実証法を提案する。
• 参考スコア（独自算出の注目度）: 10.261106856853742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Patient-specific anatomical models provide individualized context for surgical planning, image-guided intervention, and algorithm development. However, most CT-derived models are static: they preserve the body configuration captured at scan time, but cannot represent how the same anatomy would appear after patient repositioning. This limitation is especially important for radiographic imaging, where appearance depends jointly on imaging geometry and patient pose. We present a proof-of-concept for constructing a patient-specific articulated digital twin from a single full-body CT scan. The method fits a parametric human body model (SMPL) to obtain a patient-aligned kinematic scaffold, binds segmented bones and organs to an anatomy-aware rig, and retargets body-pose changes while preserving skeletal geometry. On three full-body CT subjects, the fitted scaffold achieved 15.8 $\pm$ 4.0 mm chamfer distance and 95.9 $\pm$ 1.8% skeletal enclosure. Recomposition at the acquisition pose preserved major radiographic structure, with overall SSIM of 0.872 $\pm$ 0.016 and PSNR of 18.5 $\pm$ 1.4 dB across paired DRRs. Across unseen target poses, the resulting twins enabled articulation while maintaining high skeletal enclosure (94.4 $\pm$ 0.4%). As a feasibility demonstration, we render the articulated twin as pose-dependent DRRs. These results suggest the feasibility of extending static, view-controllable CT simulation toward pose-controllable anatomical twins for future synthetic imaging and positioning studies.
• Abstract（参考訳）: 患者固有の解剖モデルは、手術計画、画像誘導介入、アルゴリズム開発のための個別化されたコンテキストを提供する。 しかし、ほとんどのCT由来モデルは静的であり、スキャン時に捕獲された体の構成を保存するが、患者の再配置後に同じ解剖学的にどのように現れるかは表現できない。 この制限はX線撮影において特に重要であり、外観は画像幾何学と患者のポーズに大きく依存する。 フルボディCTスキャンを用いて患者特異的なデジタル双対を構築するための概念実証法を提案する。 本発明の方法は、パラメトリック人体モデル(SMPL)に適合し、患者に整列した運動足場を取得し、解剖学的に認識されたリグにセグメント化された骨や臓器を結合し、骨格形状を保ちながら、身体の変化を再ターゲティングする。 フルボディCTの被験者3名に対して、装着された足場は15.8$\pm$4.0 mmのシャンファー距離と95.9$\pm$1.8%の骨格囲いを達成した。 買収時の分解は主要な放射線構造を保存しており、SSIMは0.872$\pm$0.016、PSNRは18.5$\pm$1.4dBである。 目に見えない標的のポーズ全体で、結果として得られた双子は高い骨格の囲いを維持しながら調音を可能にした(94.4$\pm$ 0.4%)。 実現可能性の実証として, 調音された双子をポーズ依存型DRRとして表現する。 以上の結果から, 姿勢制御可能な解剖学的双生児への静的・視野制御型CTシミュレーションの応用の可能性が示唆された。

関連論文リスト

• Statistical Hand Shape Modeling from Clinical CT Scans Using Deep Learning and Implicit Skinning [0.0]
  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。
  論文  参考訳（メタデータ） (2026-05-16T13:00:34Z)
• Surf2CT: Cascaded 3D Flow Matching Models for Torso 3D CT Synthesis from Skin Surface [13.161605581865357]
  Surf2CTは、外部表面スキャンと人口統計データから人間の胴体の全3DCTボリュームを合成するフレームワークである。 我々は、マサチューセッツ総合病院(MGH)から得られた3,198個の胴体CTスキャンとAutoPETチャレンジを組み合わせたデータセットでモデルをトレーニングした。
  論文  参考訳（メタデータ） (2025-05-28T16:01:36Z)
• seg2med: a bridge from artificial anatomy to multimodal medical images [5.92914320764123]
  seg2medは解剖学駆動型マルチモーダル医用画像合成のためのフレームワークである。 解剖学的マップは、実際の患者データ、XCATデジタルファントム、および複数の患者の臓器を組み合わせた合成解剖の3つの源から独立に派生している。 このフレームワークは、実データと比較して、CTで0.94、MRで0.89、CTで0.78のSSIMを実現する。
  論文  参考訳（メタデータ） (2025-04-12T11:32:32Z)
• 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)
• 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)
• Context-Aware Transformers For Spinal Cancer Detection and Radiological Grading [70.04389979779195]
  本稿では,脊椎分析に関わる医療画像問題に対するトランスフォーマーを用いた新しいモデルアーキテクチャを提案する。 MR画像におけるそのようなモデルの2つの応用について考察する: (a)脊椎転移の検出と脊椎骨折の関連状況と転移性脊髄圧迫。 画像中の脊椎のコンテキストを考慮することで,SCTは以前に公表したモデルと比較して,いくつかのグレーディングの精度を向上することを示す。
  論文  参考訳（メタデータ） (2022-06-27T10:31:03Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• One shot PACS: Patient specific Anatomic Context and Shape prior aware recurrent registration-segmentation of longitudinal thoracic cone beam CTs [3.3504365823045044]
  胸部CBCTは, 造影コントラスト, 画像所見, 呼吸運動, 胸腔内解剖学的変化により, 分画が困難である。 縦型CBCTセグメンテーションのための新規な患者固有の解剖コンテキストと先行形状, PACS-3Dリカレントレジストレーションネットワークを開発した。
  論文  参考訳（メタデータ） (2022-01-26T15:18:30Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)
• 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。