論文の概要: Automated ACL Footprint Identification Using 3D Deep Learning

• arxiv url: http://arxiv.org/abs/2608.18012v2
• Date: Thu, 20 Aug 2026 18:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:31.806581
• Title: Automated ACL Footprint Identification Using 3D Deep Learning
• Title（参考訳）: 3次元ディープラーニングを用いたACLフットプリントの自動識別
• Abstract要約: 正確なACL大腿骨足跡の同定は, 正確なトンネル設置, 膝関節機構の回復, 術後膝関節の健康, 移植不全の予防に不可欠である。 人工知能(AI)の最近の進歩は、画像誘導整形外科手術を改善する新たな機会をもたらす。 本研究の目的は、3次元MR画像から直接ACL大腿骨の足跡同定のための3次元ディープラーニングモデルを検討することである。
• 参考スコア（独自算出の注目度）: 0.3262230127283452
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the most common reasons for anterior cruciate ligament (ACL) reconstruction failure is femoral tunnel malpositioning (ACL footprint center and tunnel orientation). Such failures may lead to the development of meniscal pathology and osteoarthritis. Accurate ACL femoral footprint identification is therefore essential for precise tunnel placement, restoration of the native knee joint mechanics, post-surgical knee joint health and prevention of graft failure. Recent advances in artificial intelligence (AI) bring new opportunities to improve image-guided orthopedic surgery. However, at present, existing AI research focuses primarily on ACL segmentation and rupture classification based on pre- and post-operative magnetic resonance (MR) images. Identification of the ACL footprint center using deep learning methods has not been thoroughly researched. Thus, the purpose of this study is to explore 3D deep learning models for ACL femoral footprint identification directly from 3D MR images. Two comprehensive 3D deep learning architectures were developed: a 3D graph convolutional neural network-based geometric model applied to 3D femoral meshes; and a 3D landmark-enhanced identification model based on 3D MR images. A total of 4883 right and 3087 left knee image sets were used from a publicly available database. Eighty percent (80%) were applied to model generation, and twenty percent (20%) were preserved for model testing. Both models achieved excellent performance; however, the image-based method outperformed the model-based method (average error of 2.1mm vs 2.8 mm). Thus, 3D deep learning provides a feasible clinical approach for ACL footprint localization and has the potential to improve ACL reconstruction footprint accuracy.
• Abstract（参考訳）: 膝前十字靭帯再建術(ACL)を施行した最も一般的な理由の1つは,大腿骨転位(ACLフットプリントセンターとトンネル方位)である。 このような失敗は半月板疾患や変形性関節症の発症につながる可能性がある。 以上よりACL大腿骨の正確な足跡の同定は, 正確なトンネル設置, 膝関節機構の回復, 術後膝関節の健康, 移植不全の予防に不可欠である。 人工知能(AI)の最近の進歩は、画像誘導整形外科手術を改善する新たな機会をもたらす。 しかし、現在、既存のAI研究は、主に、術前および術後の磁気共鳴(MR)画像に基づくACLセグメンテーションと破断分類に焦点を当てている。 深層学習手法を用いたACLフットプリントセンターの同定は、まだ十分に研究されていない。 そこで本研究では,3次元MR画像から直接ACL大腿骨の足跡同定のための3次元ディープラーニングモデルについて検討する。 2つの総合的な3次元ディープラーニングアーキテクチャが開発された。3次元大腿メッシュに適用された3次元グラフ畳み込みニューラルネットワークに基づく幾何モデルと、3次元MR画像に基づく3次元ランドマーク付き識別モデルである。 合計4883の右膝画像セットと3087の左膝画像セットが一般に公開されているデータベースから使用された。 モデル生成には80%(80%)が適用され、モデルテストには20%(20%)が保存された。 どちらのモデルも優れた性能を発揮したが、画像ベースの手法はモデルベースの手法よりも優れていた(平均誤差は2.1mm対2.8mm)。 このように、3次元深層学習は、ACLフットプリントの局所化の実現可能な臨床アプローチを提供し、ACL再建フットプリントの精度を向上させる可能性がある。

関連論文リスト

• HyDAR-Pano3D: A Hybrid Disentangled Anatomical Recovery Framework for Panoramic-to-3D Reconstruction [10.481519508246437]
  解剖学的回復問題としてPR-CBCT再構成を再構成する2段階フレームワークであるHyDAR-Pano3Dを提案する。 ステージ1では、デュアルエンコーダネットワークがSAM由来のセマンティックプリエントと放射線学的特徴を統合し、アーチ正規化された標準ボリュームを再構築する。 ステージ2では、解剖学的復元ネットワークが事前拘束された構造変形場を予測し、この標準体積をネイティブ空間にマッピングする。
  論文  参考訳（メタデータ） (2026-05-20T07:20:56Z)
• A multimodal vision foundation model for generalizable knee pathology [40.03838145472935]
  筋骨格障害は、医療画像の正確な解釈に対する緊急の要求である。 現在の整形外科における人工知能のアプローチは、タスク固有の教師あり学習パラダイムに依存している。 筋骨格病理学に最適化されたマルチモーダル視覚基盤モデルOrthoFoundationを紹介する。
  論文  参考訳（メタデータ） (2026-01-26T08:14:51Z)
• Improving Generalization in MRI-Based Deep Learning Models for Total Knee Replacement Prediction [0.6384218409986929]
  バッチ正規化をインスタンス正規化に置き換え、データ拡張を使用し、コントラスト損失を適用することにより、一般化が向上することを示す。 トレーニングと評価のために,OAIデータベースを用いたMRIデータを用いた。
  論文  参考訳（メタデータ） (2025-04-27T11:41:19Z)
• 3D-GMIC: an efficient deep neural network to find small objects in large 3D images [41.334361182700164]
  3Dイメージングは、臓器解剖に関する空間情報を提供することにより、より正確な診断を可能にする。 AIモデルのトレーニングに3Dイメージを使用することは、その2Dモデルよりも数十から数百倍のピクセルで構成されているため、計算的に困難である。 本稿では,3次元医用画像の完全解像度で計算効率の良い分類を可能にするニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-16T21:58:54Z)
• Occlusion-robust Visual Markerless Bone Tracking for Computer-Assisted Orthopaedic Surgery [41.681134859412246]
  閉塞に対して頑健なRGB-Dセンサを用いたマーカーレストラッキング手法を提案する。 高品質な商用RGB-Dカメラを用いて,モデル膝の1-2デグレスと2-4mmの精度を実現する。
  論文  参考訳（メタデータ） (2021-08-24T09:49:08Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• Knee Osteoarthritis Severity Prediction using an Attentive Multi-Scale Deep Convolutional Neural Network [8.950918531231158]
  本稿では,KellgrenおよびLawrenceグレードの分類をX線から自動的に評価する,深層学習ベースのフレームワークであるOsteHRNetを提案する。 提案モデルでは,OAIデータセットのベースラインコホートにおいて,71.74%,0.311のMAEが最良である。
  論文  参考訳（メタデータ） (2021-06-27T17:29:46Z)
• 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)
• Anatomy-aware 3D Human Pose Estimation with Bone-based Pose Decomposition [92.99291528676021]
  3次元関節位置を直接回帰するのではなく,骨方向予測と骨長予測に分解する。 私たちのモチベーションは、人間の骨格の骨の長さが時間とともに一定であることにあります。 我々の完全なモデルは、Human3.6MとMPI-INF-3DHPデータセットにおいて、以前の最高の結果よりも優れています。
  論文  参考訳（メタデータ） (2020-02-24T15:49:37Z)

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。