Fugu-MT 論文翻訳(概要): CUFormer: Modality-Aware CT-Ultrasound Point Cloud Registration for Orthopedic Navigation

論文の概要: CUFormer: Modality-Aware CT-Ultrasound Point Cloud Registration for Orthopedic Navigation

arxiv url: http://arxiv.org/abs/2611.01536v2
Date: Thu, 05 Nov 2026 02:33:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-06 21:50:50.293227
Title: CUFormer: Modality-Aware CT-Ultrasound Point Cloud Registration for Orthopedic Navigation
Title（参考訳）: CUFormer: 矯正ナビゲーションのためのモダリティ対応CT-Ultrasound Point Cloudレジストレーション
Abstract要約: 骨は超音波を強く反射し、音響的な影を放つため、米国はプローブ面の骨の表面のみを捉え、ほとんどのCT点が一致しないままにしておく。そこで我々はCUFormerを提案する。CUFormerは、ID埋め込みを通じて入力モダリティを符号化し、モダリティ固有のアダプタを通じて機能を更新する。 CUFormerは2つのCT-USデータセット、UltraBones100kとUltraBonesHipとCT-RGB-DデータセットSpineDepthで評価された平均登録誤差を最小に達成している。
参考スコア（独自算出の注目度）: 22.109771259254114
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Registering intraoperative Ultrasound (US) bone-surface point clouds to preoperative Computed Tomography (CT) models can support radiation-free orthopedic navigation. Differences in imaging physics produce distinct surface sampling patterns, complicating cross-modal feature matching. Bone strongly reflects ultrasound and casts an acoustic shadow, so US captures only the probe-facing bone surface and leaves most CT points unmatched. This partial coverage makes correspondences ambiguous on near-symmetric bones. We propose CUFormer, a modality-aware registration framework. We introduce a Modality-Aware Transformer (MAT) that encodes input modality through identity embeddings and updates features through modality-specific adapters within a shared geometric matcher. We model imaging visibility and use predicted reference-side visibility to weight coarse and fine correspondences. CUFormer achieves the lowest mean registration errors among evaluated methods on two CT-US datasets, UltraBones100k and UltraBonesHip, and the CT-RGB-D dataset SpineDepth. On UltraBones100k, it reaches mean rotation error 4.53$^\circ$, translation error 3.19\,mm, and Root Mean Squared Error (RMSE) 2.54\,mm, reducing RMSE by 65.8\% relative to the best-performing baseline by this metric. These results demonstrate CUFormer's effectiveness in aligning partial bone surfaces with preoperative CT across anatomical sites.
Abstract（参考訳）: 術中超音波(US)の骨表面点雲を術前CT(Computed Tomography)モデルに登録することは、放射線のない整形外科手術を支援することができる。画像物理学の違いは、異なる表面サンプリングパターンを生成し、クロスモーダルな特徴マッチングを複雑にする。骨は超音波を強く反射し、音響的な影を放つため、米国はプローブ面の骨の表面のみを捉え、ほとんどのCT点が一致しないままにしておく。この部分被覆は、近対称の骨に不明瞭な対応を与える。モダリティを意識した登録フレームワークCUFormerを提案する。入力モダリティをID埋め込みによって符号化し、共有幾何整形器内のモダリティ固有アダプタを介して特徴を更新する、モータリティ対応変換器(MAT)を導入する。我々は、画像の可視性をモデル化し、予測基準側可視性を用いて、重みの粗さと微妙な対応をモデル化する。 CUFormerは2つのCT-USデータセット、UltraBones100kとUltraBonesHipとCT-RGB-DデータセットSpineDepthで評価された平均登録誤差を最小に達成している。 UltraBones100kでは、平均回転誤差4.53$^\circ$、翻訳誤差3.19\,mm、およびルート平均正方形誤差2.54\,mmに達し、この測定値によりRMSEが最高性能のベースラインに対して65.8\%減少する。以上の結果から, CUFormerの骨表面と術前CTとの整合性について, 解剖学的検討を行った。

関連論文リスト

Rendering Novel Views of MRI Using 3D Gaussian Splatting [54.6286495315908]
3D Gaussian Splatting を用いて, スパース異方性MRIから画像再構成を行い, 臨床評価に関係する解剖学的に整合した画像面を採取, 描画した。新しいビュープレーンは対象解剖の診断に最適であるが、元のMRIはそうではない。
論文参考訳（メタデータ） (2026-06-24T18:00:03Z)
NeuralBoneReg: A Novel Self-Supervised Method for Robust and Accurate Multi-Modal Bone Surface Registration [1.9699204876675205]
コンピュータおよびロボットによる整形外科手術(CAOS)では、術前画像から患者固有の手術計画が目標位置とインプラント軌跡を定義している。手術中、これらの計画は術前データと術中データとの正確な相互登録に依存して正確に転送されなければならない。本研究では, 3次元点雲を用いて骨表面をモダリティに依存しない表現として登録する, 自己教師型表面ベースフレームワークであるNeuralBoneRegを提案する。
論文参考訳（メタデータ） (2025-11-18T09:23:50Z)
BridgeSplat: Bidirectionally Coupled CT and Non-Rigid Gaussian Splatting for Deformable Intraoperative Surgical Navigation [69.14180476971602]
変形可能な手術ナビゲーションのための新しいアプローチであるBridgeSplatを紹介する。提案手法は3次元ガウスをCTメッシュにリグし,ガウスパラメータとメッシュ変形の合同最適化を可能にする。シミュレーションにより,BridgeSplatがブタの内臓手術およびヒト肝臓の合成データに与える影響を実証した。
論文参考訳（メタデータ） (2025-09-23T01:09:36Z)
Class-Aware Cartilage Segmentation for Autonomous US-CT Registration in Robotic Intercostal Ultrasound Imaging [39.597735935731386]
形状制約後処理を施したクラスアウェア軟骨骨分節ネットワークを提示し, 患者固有の骨骨格を捕捉する。一般的なテンプレートから個々の患者へ、宿主間走査経路をマッピングするために、密度の高い骨格グラフに基づく非剛性登録が提示される。提案手法は,CTテンプレートから個々の患者へのパスを,頑健かつ正確にマッピングできることを示す。
論文参考訳（メタデータ） (2024-06-06T14:15:15Z)
CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
Deep Conditional Shape Models for 3D cardiac image segmentation [1.4042211166197214]
本稿では,Deep Shape Model (DCSM) Conditional をコアコンポーネントとする新しいセグメンテーションアルゴリズムを提案する。生成した形状を画像に合わせるため、形状モデルを解剖学的ランドマークに条件付けし、ユーザーが自動的に検出または提供することができる。局所的な改善を伴わずに非造影CTの基準線を上回り, 造影CT, 3DE, 特にハウスドルフ距離を著しく改善した。
論文参考訳（メタデータ） (2023-10-16T18:38:26Z)
Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
論文参考訳（メタデータ） (2023-07-07T18:57:21Z)
Enabling Augmented Segmentation and Registration in Ultrasound-Guided Spinal Surgery via Realistic Ultrasound Synthesis from Diagnostic CT Volume [19.177141722698188]
術中臨床USデータの不足は、ニューラルネットワークのトレーニングにおいて、克服不可能なボトルネックとなっている。 In silico bone US simulation framework that really US image from diagnosis CT volume。脊椎超音波検査のための骨分割を高精度かつオンザフライで実現できる軽量な視覚変換器モデルを訓練する。
論文参考訳（メタデータ） (2023-01-05T07:28:06Z)
Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文参考訳（メタデータ） (2022-05-16T10:59:55Z)

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。