論文の概要: Landmark-Free and Scale-Blind Multi-View Registration of Preoperative Liver Models to Intraoperative Surfaces

• arxiv url: http://arxiv.org/abs/2610.24218v1
• Date: Fri, 16 Oct 2026 20:42:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 10:07:39.670663
• Title: Landmark-Free and Scale-Blind Multi-View Registration of Preoperative Liver Models to Intraoperative Surfaces
• Title（参考訳）: 術前肝モデルから術中表面へのランドマークフリー・スケールブラインド多視点レジストレーション
• Abstract要約: 腹腔鏡下肝切除では,CT/MRIによる術前3次元肝モデルと術中表面との整合が求められる。 ほとんどの場合、単分子的再構成はスケールを保証できないが、厳格な運動登録は入力としてスケールを必要とする。 提案したフレームワークSimCompose'は,ランドマークに頼らずにスケールを含む完全な類似性変換を$Sim$と見積もり,複数のビューに同じ変換を適用できる。
• 参考スコア（独自算出の注目度）: 2.1079154207174446
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Augmented-reality guidance in laparoscopic liver resection requires aligning preoperative 3D liver models from CT/MRI with intraoperative surfaces. Monocular reconstruction in most cases cannot guarantee scale, albeit rigid-motion registration requires scale as an input. Our proposed framework ``SimCompose'' estimates the full similarity transformation $\Sim$, including scale, without relying on landmarks and applies the same transformation across multiple views with known relative geometry. However, reliable detection of registration failures remains challenging in surgical settings, where ground-truth alignment is generally unavailable. For this, we propose a geometry-based selector that evaluates candidate transformations without requiring ground truth. Large disagreement among these transformations is used to flag potentially unreliable registrations. Finally, we propose to use a non-rigid refinement based on a low-dimensional deformation model from Neo-Hookean simulations in the Simulation Open Framework Architecture (SOFA), without additional network training. SimCompose is trained exclusively on synthetic partial views. Its encoder processes point clouds normalised to a unit root-mean-square radius, without access to metric scale, and filters each view before multi-view fusion. Evaluation on unseen synthetic data (300 single-view pairs per run; 100 three-view registrations) shows that multi-view integration and candidate selection increase the success rate under stringent $\Sim$ accuracy criteria from 38.4% for a single-view, single-method configuration to 77%. Existing learning-based baselines do not satisfy these criteria even when provided with the exact scale. On five in-vivo patients with 92 keyframes, the rigid registration stage reduces surface error more than three-fold relative to learning-based baselines with external scale information.
• Abstract（参考訳）: 腹腔鏡下肝切除では,CT/MRIによる術前3次元肝モデルと術中表面との整合が求められる。 ほとんどの場合、単分子的再構成はスケールを保証できないが、厳格な運動登録は入力としてスケールを必要とする。 提案するフレームワーク ``SimCompose'' は,ランドマークに頼らずにスケールを含む完全類似性変換 $\Sim$ を推定し,既知の相対幾何学を持つ複数のビューに同じ変換を適用する。 しかし, 整合性障害の確実な検出は, 一般的には整合性障害である外科的条件下では困難である。 そこで本研究では,基底真理を必要とせず,候補変換を評価する幾何学ベースのセレクタを提案する。 これらの変換間の大きな不一致は、潜在的に信頼できない登録にフラグを付けるために使用される。 最後に,シミュレーションオープン・フレームワーク・アーキテクチャ(SOFA)におけるネオ・フックシミュレーションの低次元変形モデルに基づく非剛性改善手法を提案する。 SimComposeは、合成部分ビューのみに訓練されている。 エンコーダは、単位のルート平均二乗半径に正規化された点雲をメートル法スケールにアクセスできることなく処理し、マルチビュー融合の前に各ビューをフィルタリングする。 目に見えない合成データ(1ラン300対、100の3ビューの登録)の評価によると、複数ビューの統合と候補選択は、厳密な$\Sim$精度の基準で成功率を38.4%から77%に引き上げている。 既存の学習ベースラインは、正確な尺度が与えられた場合でも、これらの基準を満たさない。 92個のキーフレームを持つ5つの生存中患者において、剛性登録段階は、外部スケール情報による学習ベースラインに対する表面誤差を3倍以上に低減する。

関連論文リスト

• TomoTransformer: Towards a Foundation Model for CT Reconstruction [1.0885910878567457]
  TomoTransformerはトランスフォーマーベースのアーキテクチャで、各テキストローカルなフィルタリングプロジェクションを個々のトークンとして扱い、自己アテンションを通じて行方不明のビューを予測する。 任意の角度の位置と検出器次元で任意の数の入力射影を処理し、再訓練することなく任意のターゲット角度をクエリすることができる。 様々な医学的CT解剖学と自然画像にまたがる大規模なデータセットで訓練されている。
  論文  参考訳（メタデータ） (2026-09-29T13:53:27Z)
• Evaluating Transformation Models for pCLE Mosaic Registration [35.483102617462364]
  共焦点レーザー内視鏡はリアルタイムの細胞分解性生検を提供する。 フレームアライメントは通常、精度の定量化が難しい非線形変換を必要とする。 132フレーム対のデータセットを14pCLEシークエンスで作成し,手動で注釈を付した4症例について検討した。
  論文  参考訳（メタデータ） (2026-09-21T13:22:58Z)
• Modeling Clinical Workflow for SYNTAX Scoring from Coronary Angiography Videos [73.50200033931148]
  我々はSynTAXスコアを血管セグメントのアイデンティティ保存解剖学的推論問題として再構成する。 本手法は, 骨・骨・骨・骨・骨の骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨
  論文  参考訳（メタデータ） (2026-09-20T11:08:19Z)
• Point-Wise Geometry-Aware Transformer for Partial-to-Full Point Cloud Registration in Computer-Assisted Surgery [5.569433775548014]
  本稿では,畳み込みと変圧器モジュールを組み合わせた粗いアーキテクチャを用いた学習ベースのポイントクラウド登録フレームワークを提案する。 ティビア、大腿骨、骨盤、胸骨軟骨を含む4つの幾何学的に異なる骨で実験が行われた。 提案手法は,部分観察による高精度な3次元点雲の登録を可能にする。
  論文  参考訳（メタデータ） (2026-06-11T15:37:53Z)
• No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
  NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。 提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。 この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:58:22Z)
• Auto-segmentation of Hip Joints using MultiPlanar UNet with Transfer learning [6.6246573227620384]
  少数のデータしか持たないディープラーニングセグメンテーションアプローチは、細かい特徴を正確にセグメンテーションするのに困難である。 本稿では, セグメンテーションが不十分なデータセットを, 対話型学習と組み合わせて再利用する手法を提案する。 今回我々は, この頑健かつ概念的にシンプルなアプローチを, 人工股関節のCT画像に応用し, 臨床的に検証した。
  論文  参考訳（メタデータ） (2022-08-17T11:12:50Z)
• Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
  本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。 パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-16T15:16:09Z)
• Shape My Face: Registering 3D Face Scans by Surface-to-Surface Translation [75.59415852802958]
  Shape-My-Face (SMF) は、改良されたポイントクラウドエンコーダ、新しい視覚的注意機構、スキップ接続付きグラフ畳み込みデコーダ、特殊口モデルに基づく強力なエンコーダデコーダアーキテクチャである。 私たちのモデルは、トポロジカルにサウンドメッシュを最小限の監視で提供し、より高速なトレーニング時間を提供し、訓練可能なパラメータを桁違いに減らし、ノイズに強く、以前は見られないデータセットに一般化することができます。
  論文  参考訳（メタデータ） (2020-12-16T20:02:36Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)
• Learning Nonparametric Human Mesh Reconstruction from a Single Image without Ground Truth Meshes [56.27436157101251]
  そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。 これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
  論文  参考訳（メタデータ） (2020-02-28T20:30:07Z)

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。