論文の概要: OCTN: Neural OCT Representations for Robot-Guided Precision Intervention

• arxiv url: http://arxiv.org/abs/2609.06810v1
• Date: Sun, 06 Sep 2026 20:01:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 04:28:20.220348
• Title: OCTN: Neural OCT Representations for Robot-Guided Precision Intervention
• Title（参考訳）: OCTN:ロボット誘導精密介入のためのニューラルOCT表現
• Abstract要約: 本稿では,OCTスキャンを連続的,微分可能,空間的に忠実な組織強度場に変換する暗黙的神経表現フレームワークであるOCTNを提案する。 分離されたボクセルとスライスを介し、Bスキャンの忠実さを保ちながら、わずかにサンプリングされた領域の連続性を向上する。 OCTNを併用したOCT誘導型ロボットレーザー手術では,連続組織表現が暗黙的な表面発見と表面拘束経路計画を支援する。
• 参考スコア（独自算出の注目度）: 4.3866260445753875
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Optical coherence tomography (OCT) offers compact, contactless, micron-scale imaging suitable for intraoperative guidance, but native OCT volumes are discretely sampled, anisotropic, and currently inefficient for downstream geometric reasoning and robot integration. We present OCTN (pronounced "octane"), an implicit neural representation framework that converts volumetric OCT scans into a continuous, differentiable, and spatially faithful tissue-intensity field. OCTN uses a two-stage hybrid training strategy that combines supervision from acquired voxels with inter-slice interpolations, preserving B-scan fidelity while improving continuity in sparsely sampled regions. For versatility, we first show that OCTN enables fast volumetric reasoning by storing the learned tissue representation natively on the GPU, supporting intensity-based spatial queries with up to 43x speedup over conventional CPU processing. We then demonstrate OCTN-enabled OCT-guided robotic laser surgery where the continuous tissue representation supports implicit surface discovery and surface-constrained path planning via multiple optimization strategies, including Newton- and SGD-based optimization. Next, OCTN enables reconstruction of dense volumetric structure from sparsely acquired B-scans, while reducing acquisition time by 4x and preserving clinically relevant structures. Across the newly generated Duke TissueOCT dataset and public OCT datasets, OCTN achieves robust, high-fidelity reconstruction with PSNR > 30 dB and training time < 10 s, while preserving surface consistency within 10 $μ$m Chamfer distance relative to baseline reconstruction. The TissueOCT dataset and code are publicly available at raprakashvi.github.io/octn
• Abstract（参考訳）: 光コヒーレンストモグラフィー(OCT)は、術中ガイドに適したコンパクトで接触のないミクロンスケールのイメージングを提供するが、ネイティブOCTボリュームは離散的にサンプリングされ、異方性であり、現在は下流の幾何学的推論とロボット統合に非効率である。 オクタン (OCTN) は, OCTスキャンを連続的, 微分可能, 空間的に忠実な組織強度場に変換する暗黙の神経表現フレームワークである。 OCTNは、2段階のハイブリッドトレーニング戦略を用いて、取得したボクセルからの監督とスライス間補間を組み合わせ、Bスキャンの忠実さを保ちながら、スパースサンプリングされた領域の連続性を向上する。 汎用性のために、OCTNは、学習した組織表現をGPU上にネイティブに保存し、従来のCPU処理よりも最大43倍のスピードアップで強度ベースの空間クエリをサポートすることにより、高速なボリューム推論を可能にすることを示す。 次に, OCTN を用いた OCT 誘導型ロボットレーザー手術を行い, 連続組織表現は, Newton や SGD による最適化を含む複数の最適化手法を用いて, 暗黙的な表面発見と表面拘束経路計画を支援することを示した。 次に、OCTNは、疎に取得したBスキャンから高密度の体積構造を再構築し、取得時間を4倍減らし、臨床的に関連のある構造を保存する。 新たに生成されたDuke tissueOCTデータセットと公開OCTデータセット全体で、OCTNは、PSNR > 30 dBとトレーニング時間<10 sで堅牢で高忠実な再構成を実現し、ベースライン再構成と比較して10$μ$mのChamfer距離で表面の一貫性を保つ。 tissueOCTデータセットとコードはraprakashvi.github.io/octnで公開されている

関連論文リスト

• A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
  物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。 PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。 これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
  論文  参考訳（メタデータ） (2026-05-29T07:26:35Z)
• CT Scans As Video: Efficient Intracranial Hemorrhage Detection Using Multi-Object Tracking [0.9332987715848716]
  本稿では,2次元検出の効率と3次元コンテキストの必要性を両立させる軽量コンピュータビジョンフレームワークを開発する。 計算コストのごく一部で3Dコンテキスト推論を近似することにより,リアルタイム患者優先化のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-01-05T19:49:51Z)
• Renormalization Group Guided Tensor Network Structure Search [58.0378300612202]
  ネットワーク構造探索(TN-SS)は、高次元データ表現における効率的なテンソル分解のための最適なネットワークトポロジとランクロバスト性を自動的に発見することを目的としている。 RGTN(Renormalization Group Guided Network Search)は、TN-SSを変換する物理に着想を得たフレームワークである。
  論文  参考訳（メタデータ） (2025-12-31T06:31:43Z)
• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• Accelerated Patient-specific Non-Cartesian MRI Reconstruction using Implicit Neural Representations [8.781276186760962]
  我々は,デ・ノボをアンサンプした非カルテシアンk空間再構築のための新しい生成的訓練型暗黙的ニューラル表現(k-GINR)を開発した。 k-GINRは、非常に高い加速で観測されるパフォーマンス上の優位性により、ベースラインを一貫して上回った。
  論文  参考訳（メタデータ） (2025-03-07T00:05:43Z)
• Intensity Field Decomposition for Tissue-Guided Neural Tomography [30.81166574148901]
  本稿では,ヒト組織正則化による神経野の増強を目的とした,新しいスパースビューCBCT再構成法を提案する。 組織誘導型神経断層撮影 (TNT) は, CBCTにおける骨と軟部組織の違いが特徴である。 提案手法は,最先端のニューラルレンダリング手法と比較して,プロジェクションの削減と収束の高速化により,同等の再現性を実現する。
  論文  参考訳（メタデータ） (2024-11-01T06:31:53Z)
• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• Hybrid attention structure preserving network for reconstruction of under-sampled OCT images [0.30693357740321775]
  我々は,HASPN(Hybrid attention structure Preserving Network)を提案する。 適応的拡張畳み込み型チャネルアテンション(ADCCA)と空間アテンション(ESA)を利用して特徴のチャネルと空間情報をよりよく捉えた。 HASPNは糖尿病黄斑浮腫網膜データセットに適用され、その優れた一般化能が検証された。
  論文  参考訳（メタデータ） (2024-06-01T03:07:28Z)
• Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks [46.751292014516025]
  深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。 本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。 実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
  論文  参考訳（メタデータ） (2022-04-05T20:28:42Z)
• 4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
  3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。 我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
  論文  参考訳（メタデータ） (2020-07-02T12:02:20Z)

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。