論文の概要: EndoLive: Real-Time Style Transfer for Endoscopic Endonasal Skull Base Surgical Video

• arxiv url: http://arxiv.org/abs/2610.01956v1
• Date: Thu, 01 Oct 2026 16:14:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.265745
• Title: EndoLive: Real-Time Style Transfer for Endoscopic Endonasal Skull Base Surgical Video
• Title（参考訳）: EndoLive: 内視鏡下鼻腔底手術ビデオのリアルタイム転送
• Abstract要約: 本稿では,カダベリック内視鏡映像と人間の生体内視鏡映像をリアルタイムに移動するためのフレームワークであるEndoLiveを提案する。 我々は、内視鏡から撮影した未ペアのカダベリック画像とライブ画像でEndoLiveを訓練し、カダベリックビデオを用いてトレーニングされたモデルをテストする。 実験結果から,EndoLiveは,リアルタイムに必要な最小限の速度で,カダベリックからライブへの翻訳を行うことができることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex surgical procedures around critical anatomy, such as the endoscopic endonasal skull base surgery, requires significant practice and training on the part of the surgeon before they are allowed to perform the operation on a live patient. This training in typically done in cadaveric specimens, due to them containing the same critical structures as a living human. However, cadavers are not a perfect 1-to-1 substitute for a living patient. The dead and preserved tissues of a cadaver are colored completely differently than a living human, and -- without complex and expensive pumping systems -- do not bleed in the same way. As a result, identifying the critical pieces of anatomy that make this procedure so complex can be quite different in a live case than in a surgeon's cadaveric practice. This paper presents EndoLive, a framework for real-time style transfer between cadaveric endoscopic video and living human endoscopic video. Our method combines the ConStructS GAN model for realistic style transfer for surgical applications, with the HyPER-GAN model that can learn complex translations and perform them in real-time. We train EndoLive on unpaired cadaveric and live images taken from an endoscope, and test the trained model with cadaveric video, on a variety of devices. Experimental results demonstrate that EndoLive can perform cadaveric-to-live translation at speeds well above the minimum necessary for real-time, while maintaining semantic consistency of critical anatomical structures. Our source code is available at https://github.com/griffhurt/endolive.
• Abstract（参考訳）: 内視鏡的頭蓋底手術のような重要な解剖学に関する複雑な外科的手術は、生きた患者で手術を行うことが許される前に、外科医の部位でかなりの練習と訓練が必要である。 この訓練は典型的には、生きた人間と同じ臨界構造を含むため、カダベリック標本で行なわれる。 しかし、死体は生きた患者にとって完璧な1対1の代用ではない。 死体の遺骸と保存された組織は、生きた人間とは全く異なる色で、複雑で高価なポンプシステムなしでは、同じように出血しない。 結果として、この手順を複雑にしている解剖学的に重要な部分を特定することは、生きたケースでは、外科医のカダベリックな実践とは大きく異なる可能性がある。 本稿では,カダベリック内視鏡映像と人間の生体内視鏡映像をリアルタイムに移動するためのフレームワークであるEndoLiveを提案する。 本手法は,外科的応用のためのリアルなスタイル転送のためのConStructS GANモデルと,複雑な翻訳を学習してリアルタイムに実行可能なHyPER-GANモデルを組み合わせる。 我々は、内視鏡から撮影した未ペアのカダベリック画像とライブ画像でEndoLiveをトレーニングし、さまざまなデバイスでカダベリックビデオを用いてトレーニングされたモデルをテストした。 実験により,EndoLiveは,重要な解剖学的構造のセマンティック一貫性を維持しつつ,リアルタイムに必要な最小限以上の速度で,カダベリックからライブへの翻訳を行うことができることが示された。 ソースコードはhttps://github.com/griffhurt/endolive.comで公開されています。

関連論文リスト

• From Instrument-Mounted Demonstrations to In-Vivo Execution: Learning Bimanual Laparoscopic Appendectomy Without Robot-Collected Demonstrations [4.205839348241725]
  最も小さな侵襲的な手術は手持ちの腹腔鏡装置で行われており、手術が終わると手術器の運動療法が失われる。 本稿では手術室でこの動きを捉え,手術ロボットポリシーの訓練に使用するエンドツーエンドパイプラインを提案する。 その結果、外科医自身の器具から記録されたデモは、双方向の手術方針を訓練し、選択し、展開するのに十分であることがわかった。
  論文  参考訳（メタデータ） (2026-09-22T03:33:09Z)
• Scaling Video Pretraining for Surgical Foundation Models [51.92777479821822]
  SurgRecは、スケーラブルで再現可能な、外科的ビデオ理解のための事前学習のレシピだ。 内視鏡,腹腔鏡,白内障,ロボット手術を対象とする10,535ビデオと214.5Mフレームの大規模なコーパスをキュレートした。
  論文  参考訳（メタデータ） (2026-03-31T16:31:25Z)
• F2PASeg: Feature Fusion for Pituitary Anatomy Segmentation in Endoscopic Surgery [27.301261090674718]
  解剖学的構造区分は、外科医に外科的リスクを引き起こす早期の警告を与えることができる。 F2PASegは、高解像度画像特徴と深いセマンティック埋め込みの両方を活用することにより、解剖学的構造セグメンテーションを洗練するために提案されている。
  論文  参考訳（メタデータ） (2025-08-07T15:04:07Z)
• Surg-SegFormer: A Dual Transformer-Based Model for Holistic Surgical Scene Segmentation [6.285713987996377]
  Surg-SegFormerは、最先端技術より優れた新しいプロンプトフリーモデルである。 堅牢で自動的な手術シーン理解を提供することで,専門医の指導負担を大幅に軽減する。
  論文  参考訳（メタデータ） (2025-07-06T09:04:25Z)
• Interactive Surgical Liver Phantom for Cholecystectomy Training [40.170870184736245]
  本研究は胆嚢摘出術におけるインタラクティブな手術ファントムである。 ファントムは、合成組織との操作および切断相互作用を可能にすることにより、胆嚢の除去を可能にする。
  論文  参考訳（メタデータ） (2024-09-05T13:48:54Z)
• Vision-Based Neurosurgical Guidance: Unsupervised Localization and Camera-Pose Prediction [41.91807060434709]
  内視鏡的処置中に自分自身を位置決めすることは、区別可能なテクスチャやランドマークが欠如しているため、問題となることがある。 本稿では,解剖学的認識に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-05-15T14:09:11Z)
• Creating a Digital Twin of Spinal Surgery: A Proof of Concept [68.37190859183663]
  手術デジタル化は、現実世界の手術の仮想レプリカを作成するプロセスである。 脊椎外科手術に応用した手術デジタル化のための概念実証(PoC)を提案する。 5台のRGB-Dカメラを外科医の動的3D再構成に、ハイエンドカメラを解剖学の3D再構成に、赤外線ステレオカメラを手術器具追跡に、レーザースキャナーを手術室の3D再構成とデータ融合に使用した。
  論文  参考訳（メタデータ） (2024-03-25T13:09:40Z)
• EndoGSLAM: Real-Time Dense Reconstruction and Tracking in Endoscopic Surgeries using Gaussian Splatting [53.38166294158047]
  EndoGSLAMは鏡視下手術の効率的なアプローチであり、合理化表現と微分ガウス化を統合している。 実験の結果,EndoGSLAMは従来型あるいは神経型SLAMアプローチよりも術中可用性と再建品質のトレードオフが良好であることがわかった。
  論文  参考訳（メタデータ） (2024-03-22T11:27:43Z)
• Learning-Based Keypoint Registration for Fetoscopic Mosaicking [65.02392513942533]
  ツイン・トゥ・ツイン輸血症候群(TTTS)では、単子葉胎盤の血管系異常な血管性無痛が両胎児の間に不均一な血流を生じさせる。 本研究では,フィールド・オブ・ビュー展開のためのフェトスコープフレーム登録のための学習ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T21:21:12Z)

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。