論文の概要: RibAssist 3D: Biplanar Rib-Fracture Detection, Addressing, and Selective 3D Localization from CT-Derived Projections

• arxiv url: http://arxiv.org/abs/2608.06914v1
• Date: Fri, 07 Aug 2026 07:47:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.402383
• Title: RibAssist 3D: Biplanar Rib-Fracture Detection, Addressing, and Selective 3D Localization from CT-Derived Projections
• Title（参考訳）: RibAssist 3D-Biplanar Rib-Fracture Detection, Addressing, and Selective 3D Localization from CT-Derived Projections
• Abstract要約: リブ骨折はCT(Computed tomography)の局所化に一般的で,臨床的に有意であり,時間を要する。 2つの投射で検出された骨折は、視界を横切り、疑似3D出力の制御速度で信頼できる3D骨折点に三角測量できるかどうかを問う。 検出器予測センターは、一致が正しければ中央値4.0mmの3D誤差に再構成される。
• 参考スコア（独自算出の注目度）: 0.6768558752130311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rib fractures are common, clinically significant, and time-consuming to localize on computed tomography (CT). We ask whether fractures detected in two orthogonal projections (anteroposterior, AP, and lateral) can be paired across views and triangulated into reliable 3D fracture points at a controlled rate of false 3D outputs. We answer this with a staged diagnostic study. Biplanar geometry is exact: detector-predicted centers reconstruct to median 4.0 mm 3D error when correspondence is correct. On the sealed cohort, dual-view availability reaches 61.1% and the candidate graph contains a correct pair for 58.4% of fractures. The binding limitation is not geometry or localization but confidence-limited cross-view correspondence. Lateral-detector retraining lifts dual-view availability (0.52 to 0.76 in development) and moves the frontier from 0% to 2.44% recall at 10 mm. When the policy commits a correct pair, the emitted point is geometrically accurate (sealed median 1.49 mm, rib-exact 93%). A pre-specified pass on the untouched 55-case cohort promotes 15 of 601 fractures to correct 3D localizations at 0.436 false 3D points per case, yielding 2.50% end-to-end commitment yield. The contribution is validated biplanar reconstruction geometry with high conditional localization fidelity, a staged identification of cross-view correspondence confidence as the effective bottleneck, and a selective assistive workflow that preserves uncertain findings rather than a standalone automatic reconstructor.
• Abstract（参考訳）: リブ骨折は一般的で,臨床的に有意であり,CT(Computed tomography)の局所化に要する時間を要する。 我々は,2つの直交投射(後頭,AP,側方)で検出された骨折が,視界を横切り,疑似3次元出力の制御速度で信頼できる3次元骨折点に三角測量できるかどうかを問う。 我々はこれを段階的な診断研究で答える。 検出器予測センターは、一致が正しければ中央値4.0mmの3D誤差に再構成される。 封印されたコホートでは、デュアルビューの可用性は61.1%に達し、候補グラフは58.4%の骨折に対して正しいペアを含んでいる。 結合制限は幾何学や局所化ではなく、信頼性に制限されたクロスビュー対応である。 横方向検出器のリトレーニングにより、デュアルビューの可利用性(開発段階で0.52から0.76)が上がり、フロンティアは10mmで0%から2.44%にリコールされる。 ポリシーが正しいペアをコミットした場合、放出された点は幾何的に正確である(中央値1.49mm、リブが93%)。 55ケースコホートに予め記載されたパスは、601個の骨折のうち15個の骨折を1ケースあたり0.436個の偽3Dポイントで修正し、エンド・ツー・エンドのコミットメントの利得が2.50%になる。 コントリビューションは,高条件定位忠実度を有する双平面再構成幾何,有効ボトルネックとしてのクロスビュー対応信頼度を段階的に同定し,独立した自動再構成装置ではなく,不確実な発見を保存した選択的補助ワークフローを検証した。

関連論文リスト

• Anatomy-Change-Aware Bidirectional Selective State-Space Memory for Clinically Deployed Thoracic Radiotherapy Auto-Contouring [0.6439594960617159]
  DAMM-Net++は胸部放射線治療のための2.5Dアーキテクチャである。 これはスライス表面の不整合、小さな低コントラストターゲットの系統的故障、ケースごとの信頼性信号の欠如に対処する。 平均Diceは0.955、HD95は3.78mmで、低コントラストの臓器のリスクが最も高い。
  論文  参考訳（メタデータ） (2026-09-11T11:13:06Z)
• Repeatability Characterisation and Error Budget of a Consumer Structured-Light Scanner for 3-D Wound Geometry:A Rigid-Phantom Study [0.0]
  我々は,幾何学的創傷記述子を導出する自由手指式構造光スキャナの計測誤差を特徴付ける。 厳密な創傷治療ファントムは変化しないため、ある部位の反復スキャンの差はすべて測定誤差である。
  論文  参考訳（メタデータ） (2026-08-31T01:49:51Z)
• Track-Leakage-Free Hold-Out Self-Validation for Photogrammetric Reconstruction: Protocol, Sensitivity, and Limits [0.0]
  画像再構成のためのトラックレカジフリーホールドアウトプロトコルを定式化する。 我々は、5つの基準撮影、13のETH3Dレーザースキャンシーン、EuRoC飛行、30のIMC 2025シーンで評価した。
  論文  参考訳（メタデータ） (2026-07-25T17:00:11Z)
• RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
  RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。 RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。 検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
  論文  参考訳（メタデータ） (2026-07-25T16:58:10Z)
• Shape Over Intensity: Directional Topological Encoding for False Positive Reduction in Intracranial Aneurysm Detection [0.0]
  CTアンギオグラフィーによる頭蓋内動脈瘤(IAs)の自動検出は,偽陽性率が高いことによる重篤な障害である。 SECT(Smooth Euler Characteristics Transform)を評価するプラグイン・アンド・プレイ・トポロジ対応の偽陽性削減フレームワークを提案する。 SECTは、方向認識法(AUC 0.68)よりもかなり優れた0.943のAUCを達成し、臨床成績の逆転を示す。
  論文  参考訳（メタデータ） (2026-07-06T16:56:17Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
  Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。 このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。 本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:14:20Z)
• Reinforcing 3D Understanding in Point-VLMs via Geometric Reward Credit Assignment [45.205992501478256]
  本研究では、フィールド固有の信号に全体的監督を分散させるフレームワークを提案し、それらを責任あるトークンスパンにのみルーティングする。 提案手法は,3次元KPAを0.64から0.93に増加させ,結合上の3次元境界ボックス交点を0.686に増加させ,再計画整合点を0.852に引き上げることで信頼性ギャップを橋渡しする。
  論文  参考訳（メタデータ） (2026-04-23T00:01:40Z)
• Medical thinking with multiple images [44.04557445622649]
  我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。 データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。 テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
  論文  参考訳（メタデータ） (2026-04-14T18:51:07Z)
• MRI Plane Orientation Detection using a Context-Aware 2.5D Model [1.526156659531584]
  人間は2次元MRIスライスで簡単に解剖学的平面を識別できるが、自動化されたシステムはこのタスクに苦労する。 本研究では,平面配向メタデータを正確に生成する分類器を開発した。 我々は3Dスライスシーケンスと静的2D画像の両方で2.5Dモデルを訓練する。 脳腫瘍検出タスクにおいて生成したメタデータの有用性を検証する。
  論文  参考訳（メタデータ） (2025-11-18T01:00:57Z)
• Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
  骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。 代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。 不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
  論文  参考訳（メタデータ） (2024-01-31T21:05:34Z)
• Interpretable Vertebral Fracture Quantification via Anchor-Free Landmarks Localization [0.04925906256430176]
  椎体圧迫骨折は骨粗しょう症の早期徴候である。 3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。 そして、個々の椎骨を検出し、同時に2Dで骨折を定量化する。
  論文  参考訳（メタデータ） (2022-04-14T08:31:25Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
  胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。 このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。 本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-09T10:15:26Z)
• Keypoints Localization for Joint Vertebra Detection and Fracture Severity Quantification [0.04925906256430176]
  椎体圧迫骨折は骨粗しょう症の早期徴候である。 3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。 我々は同時に個々の椎骨を検出し、2Dで骨折を定量化する。
  論文  参考訳（メタデータ） (2020-05-25T08:05:27Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)

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。