論文の概要: Augmenting Real-time Visualization in Minimally Invasive Surgery with Particle Filtering and Depth-Aware Occlusion Handling
- arxiv url: http://arxiv.org/abs/2610.18422v1
- Date: Tue, 13 Oct 2026 14:01:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 21:23:18.811141
- Title: Augmenting Real-time Visualization in Minimally Invasive Surgery with Particle Filtering and Depth-Aware Occlusion Handling
- Title（参考訳）: 粒子フィルタリングと奥行き認識オクルージョンハンドリングによる最小侵襲手術におけるリアルタイム可視化
- Abstract要約: 低侵襲手術(MIS)における閉塞処理と深度認識トラッキングのためのリアルタイムハイブリッドフレームワークを提案する。
手術器具による咬合は、しばしば関心領域(ROI)を曖昧にし、外科的精度に影響を及ぼす。
予備的な外科医のフィードバックは、提案された可視化フレームワークが臨床的に関連していることを示している。
- 参考スコア（独自算出の注目度）: 0.06700983301090581
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a real-time, hybrid framework for occlusion handling and depth-aware tracking in minimally invasive surgeries (MIS). Occlusions caused by surgical instruments often obscure the region of interest (ROI), affecting surgical precision. To address this, our approach integrates enhanced You Only Look Once (YOLO) based detection, Particle Filtering (PF), and monocular depth estimation using Multiple Depth Estimation Accuracy with Single Network (MiDaS). Occlusion is detected using a distance-based threshold between instruments and ROI. Experimental results demonstrate robust instrument detection with a confidence score of 0.85, effective occlusion event handling, and accurate depth prediction with an MAE of 0.34 cm and RMSE of 0.53 cm. Independent phantom-based validation against stereo depth measurements yielded an MAE of 0.65 cm and RMSE of 0.66 cm. The framework further achieved an occlusion detection accuracy of 81.95\% while maintaining real-time performance at 38.7 FPS. Preliminary surgeon feedback indicates that the proposed visualization framework is clinically relevant and holds promise for future intraoperative image-guided navigation and decision support in MIS.
- Abstract（参考訳）: 低侵襲手術(MIS)における閉塞処理と深度認識トラッキングのためのリアルタイムハイブリッドフレームワークを提案する。
手術器具による閉塞は、しばしば関心領域(ROI)を曖昧にし、外科的精度に影響を及ぼす。
そこで本研究では,Multiple Depth Estimation Accuracy with Single Network (MiDaS)を用いて,YOLO(You Only Look Once)に基づく検出,PF(Particle Filtering),単眼深度推定を統合した。
咬合は楽器とROIの間の距離ベース閾値を用いて検出される。
実験の結果,信頼性スコア0.85,有効閉塞イベントハンドリング,MAE0.34cm,RMSE0.53cmの高精度深度予測が得られた。
ステレオ深度測定に対する独立ファントムによる検証の結果、MAEは0.65cm、RMSEは0.66cmとなった。
このフレームワークはさらに、38.7 FPSでリアルタイム性能を維持しながら、81.95\%の閉塞検出精度を達成した。
予備的な外科医のフィードバックは,提案する可視化フレームワークが臨床的に有用であることを示し,将来の術中画像誘導ナビゲーションとMISにおける意思決定支援を約束することを示している。
関連論文リスト
- Odometry-Aided Real-Time Mapping for Underwater Robots Using Forward-Looking Sonar [51.8931180857129]
前向きソナー(FLS)のリアルタイムマッピングは、未解決の目標高度、空間的に一様でないノイズ、断片化された目標境界のため、依然として困難である。
本稿では,高速フーリエ変換(FFT)に基づくデノイング,高速マルチスケール定数偽アラームレート(MCFAR)検出,勾配適応境界接続を組み合わせたケースケード型特徴再構成パイプラインを提案する。
3m×5mプールにおける実験では,3列に3cm未満のルート平均二乗誤差(RMSE)とフレーム平均処理時間42.4msのセンチスケール平面マッピング精度が示された。
論文 参考訳（メタデータ） (2026-09-21T07:10:04Z) - Parameter-Efficient Adaptation of SAM 3 for Automated ITV Generation from 4DCT Images [0.0]
4次元CT(4DCT)は胸部解剖の完全な呼吸周期を捉えている。
現在の内部ターゲットボリューム構成プロセスは、各フェーズを分離し、時間的コヒーレンスを破棄し、フェーズ固有のアーティファクトに脆弱なままにしておく。
低ランク適応(LoRA)を介してSegment Anything Model 3(SAM3)にパラメータ効率の良い微調整を適用するフレームワークを提案する。
7つの注釈付きボリュームで、このフレームワークは全データの精度の95%以上を保持し、パイプライン全体は1つのコンシューマグレードのGPUでトレーニングできる。
論文 参考訳（メタデータ） (2026-06-14T05:12:57Z) - Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。
ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。
ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
論文 参考訳（メタデータ） (2026-05-29T02:48:23Z) - Towards Comprehensive Real-Time Scene Understanding in Ophthalmic Surgery through Multimodal Image Fusion [40.97183044655793]
本稿では,共同機器検出,キーポイントの局所化,ツール間距離推定を行うための時間的,リアルタイムなネットワークアーキテクチャを提案する。
実験では、信頼性の高い機器のローカライゼーションとキーポイント検出(95.79% mAP50)が示され、i OCTの組み入れにより、ツール・タスク距離の推定が大幅に改善された。
論文 参考訳（メタデータ） (2026-03-26T15:27:27Z) - Training-free Detection and 6D Pose Estimation of Unseen Surgical Instruments [45.387920812487465]
本研究は,未確認の手術器具の高精度なマルチビュー6Dポーズ推定のための無トレーニングパイプラインを導入する。
本手法はMVPSPデータセットから実世界の手術データを用いて厳密に評価した。
論文 参考訳（メタデータ） (2026-03-26T09:28:19Z) - Automatic segmentation of colorectal liver metastases for ultrasound-based navigated resection [0.0]
自動セグメンテーションは、超音波ベースのナビゲーションの精度と効率を高めることができる。
85例のCRLM患者から得られた8例の3D iUSを3D U-Netのトレーニングおよび評価に使用した。
結果: 収穫量モデルは全量モデルよりも有意に優れていた。
論文 参考訳（メタデータ） (2025-11-07T14:13:31Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - Unifying Scale-Aware Depth Prediction and Perceptual Priors for Monocular Endoscope Pose Estimation and Tissue Reconstruction [3.251946340142663]
単分子内視鏡組織再建のための統一的枠組みを提示する。
スケール認識深度予測と時間的に制約された知覚の洗練を統合する。
HEVDとSCAREDの評価は、アブレーションと比較分析によって、最先端の手法よりもフレームワークの堅牢性と優位性を示している。
論文 参考訳（メタデータ） (2025-08-15T07:41:17Z) - EndoPerfect: High-Accuracy Monocular Depth Estimation and 3D Reconstruction for Endoscopic Surgery via NeRF-Stereo Fusion [11.798218793025974]
内視鏡下副鼻腔手術(ESS)では,術中CTは術中評価に有用であるが,着床速度や放射線曝露に制約がある。
既存の技術は、しばしば密度の高い再建に必要なサブミリ精度を達成するのに苦労する。
本稿では,Neural Radiance Fields(NeRF)を中間表現として活用するオンライン学習手法を提案する。
提案手法では,0.5mm未満の点間精度が0.125$pm$0.443mmであることを示す。
論文 参考訳（メタデータ） (2024-10-05T05:26:21Z) - Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。
UIA検出では偽陽性率は0.21で感度は0.80であった。
論文 参考訳（メタデータ） (2023-08-06T03:28:08Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z)
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。