論文の概要: Bayesian Retraction Optimization for Tissue Attachment Mapping in Surgical Dissection

• arxiv url: http://arxiv.org/abs/2607.19174v1
• Date: Tue, 21 Jul 2026 15:12:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.460687
• Title: Bayesian Retraction Optimization for Tissue Attachment Mapping in Surgical Dissection
• Title（参考訳）: 外科的切除における組織アタッチメントマッピングのためのベイジアンリトラクション最適化
• Abstract要約: これまでの研究は、不確実性を定量化できない手作りの切開政策に依存してきた。 明確な組織モデリングを避けるベイズ的手法を提案する。 本手法は, 組織形状の多様性と獲得戦略のシミュレーションにおいて有効であり, 実際のロボット解剖実験へのゼロショット移動を実証する。
• 参考スコア（独自算出の注目度）: 4.878319161247993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With growing surgeon shortages, automating surgical sub-tasks such as tissue dissection offers a promising step toward reducing workload and expanding patient access. Prior work has relied on hand-crafted incision policies that cannot quantify uncertainty or has relied on simulation-based methods that require strong modeling assumptions. We instead view tissue attachment identification as an inherently probabilistic problem and propose a Bayesian approach that avoids explicit tissue modeling. Our method uses a Sequential Bayesian Hilbert Map (SBHM) to represent the likelihood that each tissue point is attached to the underlying resection surface. An ensemble of learned classifiers predicts attachment likelihoods from spatial data acquired during robotic tissue retraction, with each classifier serving as a noisy information source to update the SBHM. To plan the next retraction, we devise Bayesian Retraction Optimization (BRO) to select the most informative action under safety constraints. As the SBHM refines over time, regions with high attachment likelihood are selectively incised. We validate our method in simulation across diverse tissue geometries and acquisition strategies, and demonstrate zero-shot transfer to real robotic dissection experiments.
• Abstract（参考訳）: 外科医不足の増大に伴い、組織分離などの外科的サブタスクの自動化は、作業量を削減し、患者のアクセスを拡大する上で有望なステップとなる。 これまでの研究は、不確実性を定量化できない手作りの切開ポリシーや、強力なモデリング仮定を必要とするシミュレーションベースの手法に頼っていた。 組織付着の同定は本質的に確率論的問題であり, 明確な組織モデリングを避けるベイズ的アプローチを提案する。 本手法では,SBHM (Sequential Bayesian Hilbert Map) を用いて,各組織点が下層の切除面に付着している可能性を示す。 学習した分類器のアンサンブルは、ロボット組織リトラクション時に取得した空間データからアタッチメント可能性を予測し、各分類器はノイズの多い情報ソースとして機能し、SBHMを更新する。 次のリトラクションを計画するために,ベイジアンリトラクション最適化(BRO)を考案し,安全制約の下で最も情報性の高いアクションを選択する。 SBHMは時間とともに精製されるので、アタッチメント率の高い領域を選択的に印加する。 本手法は, 組織形状の多様性と獲得戦略のシミュレーションにおいて有効であり, 実際のロボット解剖実験へのゼロショット移動を実証する。

関連論文リスト

• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• SSDD-GAN: Single-Step Denoising Diffusion GAN for Cochlear Implant Surgical Scene Completion [4.250558597144547]
  本研究は, 人工乳頭切除データセットの外科的シーンを完了するための効率的な方法を提案する。 我々のアプローチは、実際の外科的データセットにおける自己教師付き学習を活用して、単一ステップのDNOD-GAN(SSDD-GAN)を訓練する。 トレーニングされたモデルは、ゼロショットアプローチを用いて、合成後乳頭切除データセットに直接適用される。
  論文  参考訳（メタデータ） (2025-02-08T22:04:22Z)
• GAUDA: Generative Adaptive Uncertainty-guided Diffusion-based Augmentation for Surgical Segmentation [1.0808810256442274]
  我々は、意味的に包括的でコンパクトな(イメージ、マスク)空間の潜在表現を学習する。 提案手法は,目立ったセマンティック・コヒーレンスを持つ高品質なセグメンテーションデータを効果的に合成できることを示す。
  論文  参考訳（メタデータ） (2025-01-18T16:40:53Z)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
  本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。 我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。 このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
  論文  参考訳（メタデータ） (2024-04-18T18:25:00Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• 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)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。