論文の概要: USB Gym: A Gymnasium Testbed for Closed-Loop Ultrasound View Matching

• arxiv url: http://arxiv.org/abs/2611.08352v1
• Date: Thu, 05 Nov 2026 17:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.601757
• Title: USB Gym: A Gymnasium Testbed for Closed-Loop Ultrasound View Matching
• Title（参考訳）: USB Gym:クローズドループ超音波ビューマッチングのための体育館
• Abstract要約: 私たちの主なゴールは超音波誘導で、画像がターゲットの視界と一致するまでプローブを移動させることです。 私たちはUSB Gymを作った。このテストベッドは、標準のエンジンが患者のCTから超音波をシミュレートし、CTラベルから臓器のテクスチャを描画するネットワークである。 ガイドには3つの交換可能な部品(スロット)、1つのオルガンセグメンタ、コントローラ、報酬があり、それぞれが発行された20の方法を受け取り、それぞれ6人の保留患者の60エピソードで実行された。 それぞれのスロットにおいて、これらの患者に対して検出できる限り良い場合にのみ、我々の方法に置き換えられる。この組み合わせと、この20の新しいCTに関する最初のガイドは、ベンチマークである。
• 参考スコア（独自算出の注目度）: 12.604483077700664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background and Objective: Our main goal is ultrasound guidance: moving a probe until its image matches a target view. Published methods for each part of a guide are evaluated in separate simulators. We asked whether these methods, combined into one guide, are good enough. Methods: We built USB Gym, a testbed whose standard engine simulates ultrasound from public patient CT, with a network drawing organ textures from CT labels. Its guide has three replaceable parts (slots), an organ segmenter, a controller and a reward, which received 20 published methods, each run on the same 60 episodes of six held-out patients. In each slot, a published method replaced ours only if detectably better on these patients. The better of this combination and our original guide on 20 new CTs is the benchmark baseline. A pose oracle, reading the exact probe pose available only in simulation, set the reference. The results below are exploratory. Results: On these CTs, the probe started on average 16.0 mm from the target view; the pose oracle brought it to 1.5 mm. Of the results known when the combination was fixed, only an image-similarity reward (SSIM) was slightly but detectably better, so the combination was our guide with that reward. This combination was the benchmark baseline, ending at 13.7 mm (16% of the oracle's progress). Conclusions: Combining untuned published methods with ours did not guide the probe near the target view; the task remains under-explored. The testbed accepts new methods; no guide was tested on hardware.
• Abstract（参考訳）: 背景と目的: 主目的は超音波誘導で、画像が対象のビューにマッチするまでプローブを移動させることです。 ガイドの各部分の公開メソッドは、個別のシミュレータで評価される。 これらの手法が1つのガイドに組み合わされただけで十分かどうかを尋ねました。 方法:我々はUSB Gymを開発した。このテストベッドは、標準エンジンが患者のCTから超音波をシミュレートし、CTラベルから臓器のテクスチャを描画するネットワークである。 ガイドには3つの交換可能な部品(スロット)、1つのオルガンセグメンタ、コントローラ、報酬があり、それぞれが発行された20の方法を受け取り、それぞれ6人の保留患者の60エピソードで実行された。 それぞれのスロットでは、これらの患者に対して検出できる限り良い場合にのみ、公開された方法が置き換えられました。 この組み合わせと20の新しいCTに関する最初のガイドは、ベンチマークベースラインです。 シミュレーションでのみ利用可能な正確なプローブポーズを読むポーズオラクルは、参照を設定します。 以下の結果は探索である。 結果: これらのCTでは, 目標視から平均16.0mmからプローブが始まり, ポーズオラクルは1.5mmまで上昇した。 その結果,画像類似性報酬(SSIM)はわずかに良好であった。 この組み合わせは、13.7mm(オラクルの進歩の16%)のベンチマークベースラインであった。 結論: 未修正の手法と我々の手法を組み合わせることは,対象視点近傍のプローブを誘導するものではなく,未探索のままである。 テストベッドは新しいメソッドを受け入れ、ハードウェア上ではガイドはテストされなかった。

関連論文リスト

• How Far Can You Get Without a GPU? A Systematic Benchmark of Lightweight Hallucination Detection Across Question Answering, Dialogue, and Summarisation [0.0]
  公開されているモデル上に構築された軽量でCPU対応のメソッドのみを使用して、幻覚検出がいかにうまく機能するかを示す。 ROUGE-L,意味的類似性,BERTScore,FEVERで訓練されたDeBERTaモデルに基づく自然言語推論検出,類似度とNLIのスコアレベルアンサンブルの5つの手法をベンチマークした。 ひとつのメソッドが支配的であり、パフォーマンスがタスク依存であることに気付きました。
  論文  参考訳（メタデータ） (2026-06-29T05:43:03Z)
• Transformer-Guided Graph Attention for Direct Cardiac Mesh Reconstruction: A Structural Digital Twin Framework [0.0]
  私たちは、生の3D医療画像からスムーズでシミュレーション可能な心臓表面メッシュまで、単一のエンドツーエンドネットワークをトレーニングします。 コアは3D Swin Transformer Encoder-decoderで、CTまたはMRIボリュームから体積的特徴を抽出し、グラフ注意ネットワークヘッドと組み合わせて、反復的にテンプレートメッシュを変形して患者の心臓境界に適合させる。 すべてのメッシュは単一のフォワードパスで生成されます -- マーチングキューブもスムーズなフィルタも手作業によるクリーンアップも不要です。
  論文  参考訳（メタデータ） (2026-06-11T10:55:55Z)
• The Protocol Genome A Self Supervised Learning Framework from DICOM Headers [0.5076419064097734]
  Protocol Genomeは、DICOMヘッダーから相関を学習する自己教師型学習システムである。 また,CT,MRI,CXR,ベンダ間の校正やロバスト性も向上する。
  論文  参考訳（メタデータ） (2025-09-03T07:38:32Z)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• MLC at HECKTOR 2022: The Effect and Importance of Training Data when Analyzing Cases of Head and Neck Tumors using Machine Learning [0.9166327220922845]
  本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対して,チームMLCが行った成果について述べる。 ポジトロン・エミッション・トモグラフィ(PET)とCT(CT)画像の解析は予後を診断するために提案されている。
  論文  参考訳（メタデータ） (2022-11-30T09:04:27Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS) Benchmark [48.30502612686276]
  肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。 現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。 2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。 簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
  論文  参考訳（メタデータ） (2022-01-03T03:06:38Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• Joint Registration and Segmentation via Multi-Task Learning for Adaptive Radiotherapy of Prostate Cancer [3.0929226049096217]
  マルチタスク学習設定による共同問題として登録とセグメンテーションを定式化する。 このアプローチは、前立腺癌に対する適応画像誘導放射線療法の文脈で検討する。
  論文  参考訳（メタデータ） (2021-05-05T02:45:49Z)
• Assisted Probe Positioning for Ultrasound Guided Radiotherapy Using Image Sequence Classification [55.96221340756895]
  前立腺外照射療法における経皮的超音波画像誘導は, 患者設定中の各セッションにおけるプローブと前立腺の整合性を必要とする。 本研究では,画像とプローブ位置データの共同分類により,高精度なプローブ配置を確保する方法を示す。 マルチ入力マルチタスクアルゴリズムを用いて、光学的追跡された超音波プローブからの空間座標データを、繰り返しニューラルネットワークを用いて画像クラスシファイアと組み合わせ、リアルタイムで2セットの予測を生成する。 このアルゴリズムは平均(標準偏差)3.7$circ$ (1.2$circ$)の範囲内で最適なプローブアライメントを同定する。
  論文  参考訳（メタデータ） (2020-10-06T13:55:02Z)
• HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose and Shape Estimation [60.35776484235304]
  本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。 HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。 Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
  論文  参考訳（メタデータ） (2020-03-10T04:03:45Z)

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。