論文の概要: Learning-based Hierarchical Tracheal Anatomy Understanding from Sparse Surgical Demonstration Annotations for Ultrasound Robots
- arxiv url: http://arxiv.org/abs/2607.22789v1
- Date: Fri, 24 Jul 2026 13:04:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.879343
- Title: Learning-based Hierarchical Tracheal Anatomy Understanding from Sparse Surgical Demonstration Annotations for Ultrasound Robots
- Title（参考訳）: 超音波ロボットのスパース手術例からの学習に基づく階層的気管解剖
- Abstract要約: 気管切開部位の正確な部位は気管切開術が必要である。
従来の手指の触診は主観的であり、しばしば信頼できない。
本研究は階層的気管解剖学的理解のための学習に基づく枠組みを提案する。
- 参考スコア（独自算出の注目度）: 7.8427579396077896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tracheostomy requires precise localization of the tracheal incision site; however, conventional manual palpation is subjective and often unreliable, while ultrasound utility remains operator-dependent. This work presents a learning-based framework for hierarchical tracheal anatomy understanding, designed specifically for ultrasound-guided robotic systems. We propose a two-stage perception pipeline integrating a YOLOv8n localization backbone with a sparse, prompt-optimized SAM2 decoder to achieve high-fidelity segmentation from sparse surgical annotations. Our hybrid training strategy, bridging curated laboratory data with unconstrained sequences, ensures clinical robustness. Experimental benchmarks demonstrate that this decoupled architecture effectively balances generalization, precision, and efficiency. The YOLOv8n and SAM2 framework achieves a consistent Mean Dice Similarity Coefficient (DSC) of 0.777 across both controlled and generalized domains. This significantly outperforms U-Net baselines, which often suffer from anatomical fragmentation and performance degradation (Generalization DSC $\le$ 0.494). By constraining mask decoding to targeted, sparse regions of interest, our model achieves a throughput of 6.92 FPS, which is vital for closed-loop robotic teleoperation. This study confirms that a robust hierarchical understanding of tracheal anatomy can be derived by coupling lightweight localization with foundation-scale visual models. Our framework establishes a scalable foundation for standardized, autonomous surgical assistance, effectively navigating the variability of real-world ultrasound to enhance the safety and precision of robotic-assisted tracheostomy.
- Abstract（参考訳）: 気管切開術は気管切開部位の正確な局所化を必要とするが、従来の手根弁形成は主観的であり、しばしば信頼性が低い。
本研究は,超音波誘導ロボットシステムに特化して設計された階層的気管解剖理解のための学習基盤フレームワークを提案する。
本稿では, YOLOv8nローカライゼーションバックボーンをスパース, プロンプト最適化SAM2デコーダと組み合わせた2段階の認識パイプラインを提案し, スパースアノテーションから高忠実なセグメンテーションを実現する。
我々のハイブリッドトレーニング戦略は、キュレートされた実験室データを制約のないシーケンスでブリッジすることで、臨床の堅牢性を確保する。
実験的なベンチマークでは、この分離されたアーキテクチャは、一般化、精度、効率のバランスを効果的に表している。
YOLOv8nとSAM2フレームワークは、制御ドメインと一般化ドメインの両方で0.777の平均Dice類似係数(DSC)を達成する。
これは、解剖学的断片化と性能劣化に悩まされる(Generalization DSC $\le$ 0.494)U-Netベースラインを著しく上回る。
マスクの復号化を目的の少ない領域に制限することにより,ロボット遠隔操作に不可欠な6.92FPSのスループットを実現する。
本研究は, 基礎規模視覚モデルと軽量な局所化を結合することにより, 気管解剖の階層的堅牢な理解を導出できることを確認した。
本フレームワークは,ロボットによる気管切開術の安全性と精度を高めるために,現実の超音波の変動を効果的にナビゲートする,標準化された自律的外科補助のためのスケーラブルな基盤を確立する。
関連論文リスト
- Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。
VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。
本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
論文 参考訳（メタデータ） (2026-09-11T05:21:01Z) - SAMe: A Semantic Anatomy Mapping Engine for Robotic Ultrasound [60.64817443833982]
本稿では,ロボット超音波に解剖学的先行層を明示する意味解剖マッピングエンジンSAMeを提案する。
SAMeはスキャン開始をターゲット・トゥ・アノプティ・トゥ・アクションのプロセスとして扱う。
単一の外部画像から、接地対象に対する患者固有の解剖学的表現をインスタンス化する。
論文 参考訳（メタデータ） (2026-04-28T13:44:09Z) - Unsupervised Neural Network for Automated Classification of Surgical Urgency Levels in Medical Transcriptions [3.093890460224435]
本研究では、外科的転写を3つの緊急レベルに自動的に分類する、教師なしニューラルネットワークアプローチを提案する。
このフレームワークは、クロスバリデーションと精度、精度、リコール、F1スコアなどのメトリクスを使って厳格に評価されている。
論文 参考訳（メタデータ） (2026-03-16T18:18:14Z) - Modeling and Control of a Pneumatic Soft Robotic Catheter Using Neural Koopman Operators [3.2642164905437503]
ソフトなロボットカテーテルシステムを構築するために,ニューラルネットワークで強化されたクープマン演算子フレームワークを提案する。
心房アブレーションにおけるX線透視における放射線被曝の最小化の必要性から,オープンループ制御戦略について検討した。
提案手法は平均誤差が2.1 +- 0.4 mm、方向が4.9 +- 0.6 である。
論文 参考訳（メタデータ） (2026-03-04T14:36:22Z) - Fake It Right: Injecting Anatomical Logic into Synthetic Supervised Pre-training for Medical Segmentation [21.75204301463342]
ビジョントランスフォーマー(ViT)は3次元の医療セグメンテーションで優れるが、大量のデータセットを必要とする。
Formula-Driven Supervised Learning (F)は、合成数学的プリミティブを事前学習することで、プライバシ保護の代替手段を提供する。
本稿では,Fの無限拡張性と解剖学的リアリズムを一体化するための注釈付きインフォームド・シンセティック・アナトロジー・プレトレーニング・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-01T08:15:18Z) - VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。
VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。
VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
論文 参考訳（メタデータ） (2025-11-02T15:47:05Z) - ReCoGNet: Recurrent Context-Guided Network for 3D MRI Prostate Segmentation [11.248082139905865]
アノテーション付きデータとしてMRIシーケンスをモデル化するハイブリッドアーキテクチャを提案する。
本手法では, 深層保存型DeepVLab3バックボーンを用いて, それぞれのMRIスライスから高レベルなセマンティック特徴を抽出し, コンブLSTM層で構築した再帰的畳み込みヘッドを用いて, スライス間の情報統合を行う。
現状の2D, 3Dセグメンテーションモデルと比較して, 精度, リコール, IoU, Dice similarity Coefficient (DSC) およびロバストネスの点で優れた性能を示す。
論文 参考訳（メタデータ） (2025-06-24T14:56:55Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Towards Autonomous Atlas-based Ultrasound Acquisitions in Presence of
Articulated Motion [48.52403516006036]
本稿では、自律型ロボットUS手足のスキャンを可能にする視覚ベースのアプローチを提案する。
この目的のために、アノテートされた血管構造を有するヒト腕のアトラスMRIテンプレートを使用して、軌跡を生成する。
いずれの場合も、このシステムはボランティアの手足で計画された血管構造を取得することができる。
論文 参考訳（メタデータ） (2022-08-10T15:39:20Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - A CNN Segmentation-Based Approach to Object Detection and Tracking in
Ultrasound Scans with Application to the Vagus Nerve Detection [17.80391011147757]
超音波スキャンにおける特定の解剖学的対象構造を自動的に検出・追跡するディープラーニングフレームワークを提案する。
私たちのフレームワークは、被写体や撮像装置間で正確で堅牢で、リアルタイムに動作し、大規模なトレーニングセットを必要としないように設計されています。
このフレームワークを2つの異なる超音波データセット上でテストし、Vagus神経を検出し、追跡することを目的として、現在最先端のリアルタイム物体検出ネットワークよりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-06-25T19:12:46Z)
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。