Fugu-MT 論文翻訳(概要): THA-Flow Generative Model: Prosthesis Geometry Prediction from Preoperative CT

論文の概要: THA-Flow Generative Model: Prosthesis Geometry Prediction from Preoperative CT

arxiv url: http://arxiv.org/abs/2608.25845v1
Date: Wed, 26 Aug 2026 14:22:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-27 14:15:15.86008
Title: THA-Flow Generative Model: Prosthesis Geometry Prediction from Preoperative CT
Title（参考訳）: THA-Flow生成モデル:術前CTによる補綴形状予測
Authors: Yiping Wang, Jie Li, Jingyu Shen, Liao Wang,
Abstract要約: 術前CTから直接3次元補綴形状を生成する条件付きフローマッチングモデルであるTHA-Flowを提案する。分離オートエンコーダKLモデルは術前骨解剖と補綴形状を圧縮し、3次元UNetはガウスノイズから補綴潜在空間への整流を学習する。
参考スコア（独自算出の注目度）: 7.351430886602578
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Preoperative planning for total hip arthroplasty (THA) is commonly framed as selecting a single prosthesis configuration and placement for a patient's osseous anatomy. In practice, however, the same anatomy may admit several clinically reasonable solutions, making planning inherently a one-to-many problem that is better represented by a conditional probability distribution. We present THA-Flow, a conditional flow-matching model that generates three-dimensional prosthesis geometry directly from preoperative CT. Separate AutoencoderKL models compress preoperative bone anatomy and prosthesis geometry, while a three-dimensional UNet learns a rectified flow from Gaussian noise to the prosthesis latent space under spatial bone conditioning and optional structured prosthesis parameters. The retrospective cohort comprised 1,355 hips from 1,149 patients undergoing primary THA. Following rigid registration of postoperative CT to preoperative CT, the actual postoperative prostheses were transformed independently according to the pelvic and femoral registrations and represented as a dual-channel truncated signed distance field. The prosthesis autoencoder achieved a peak signal-to-noise ratio of 47.11 dB and a structural similarity index of 0.9964 on the validation set. Complete acetabular and femoral geometries were generated across seven major stem models representing 93.4% of the cohort. Repeated bone-conditioned sampling preserved component position, alignment, and the principal bone-prosthesis interfaces while allowing limited local geometric variation. To our knowledge, THA-Flow represents the first application of generative AI to three-dimensional surgical planning for THA.
Abstract（参考訳）: 人工股関節全置換術(THA)の術前計画は, 術式の選択と, 術式の選択が一般的である。しかし実際には、同じ解剖学はいくつかの臨床的に合理的な解決策を許容する可能性があり、プランニングは本質的に条件付き確率分布で表される1対多の問題である。術前CTから直接3次元補綴形状を生成する条件付きフローマッチングモデルであるTHA-Flowを提案する。分離オートエンコーダKLモデルは術前の骨解剖と補綴形状を圧縮し、3次元UNetは空間的骨条件下でガウスノイズから補綴空間への整流を学習し、任意の構成された補綴パラメータを学習する。振り返りコホートは1,149例の1,355個のヒップで構成された。術後CTを術前CTに固定し, 骨盤および大腿骨の登録と独立に術後補綴を変更し, 二重チャネル切離符号距離野と表現した。補綴オートエンコーダは、ピーク信号対雑音比47.11dB、構造類似度指数0.9964を達成した。コホートの93.4%に相当する7つの主要な茎モデルに対して、完全な臼蓋骨と大腿骨のジオメトリーが生成された。繰り返し骨調和サンプリングは、局所的な幾何学的変化を限定しつつ、成分位置、アライメント、および主骨補綴界面を保存した。我々の知る限り、THA-FlowはTHAの3次元手術計画への生成AIの最初の応用である。

関連論文リスト

B-MIM: Biased Masked Image Modeling for Generalizable Segmentation of Fine-Grained Anatomical Structures [42.844780603412325]
自己監督型プレトレーニングは、医療画像の転送可能な表現を可能にする。ほとんどのCTエンコーダは、いまだに粗い意味理解に偏っている。グローバルなセマンティックアライメントを低減するために、バイアスドマスク画像モデリングを導入する。
論文参考訳（メタデータ） (2026-08-25T10:20:05Z)
Patient-Specific Optimization for Mandibular Reconstruction Planning with Enhanced Bone Union [1.5364755220261122]
血管柄付き骨移植を併用した下顎再建術はドナー・ホスト・ノニオンが複雑である。患者固有の下顎再建のための画像から判断計画ループであるOsteoOpt++を提案する。
論文参考訳（メタデータ） (2026-05-01T20:36:05Z)
Masked Registration and Autoencoding of CT Images for Predictive Tibia Reconstruction [6.613247712629387]
当科では, 骨折を主訴に当科を受診し, 当科を受診し, 当科を受診し, 当科を受診した。我々のap-proachは、ニューラル登録とオートエンコーダモデルを組み合わせています。
論文参考訳（メタデータ） (2025-12-10T11:04:28Z)
Deep Learning-Based Cross-Anatomy CT Synthesis Using Adapted nnResU-Net with Anatomical Feature Prioritized Loss [3.583510367091671]
マルチセンターSynthRAD2025データセットを用いて, MRからCTへの3D nnUNet適応とCTへのCBCTへのCT画像変換を提案する。
論文参考訳（メタデータ） (2025-09-26T14:22:15Z)
Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
論文参考訳（メタデータ） (2025-07-22T13:24:45Z)
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)
Cascade learning in multi-task encoder-decoder networks for concurrent bone segmentation and glenohumeral joint assessment in shoulder CT scans [0.8974531206817744]
この研究は、肩部CTスキャンを処理する革新的なディープラーニングフレームワークを導入している。上腕骨と肩甲骨のセグメンテーション、骨表面の3次元再構成、角膜関節領域の同定などが特徴である。パイプラインは、セグメンテーションのための3D CEL-UNetと3倍分類のための3D Arthro-Netの2つのケースケードCNNアーキテクチャで構成されている。
論文参考訳（メタデータ） (2024-10-16T15:00:31Z)
Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文参考訳（メタデータ） (2024-07-08T11:44:15Z)
ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
論文参考訳（メタデータ） (2023-12-11T07:09:32Z)
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)
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)

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。