想像しながらスキャン：ロボット超音波ナビゲーションのためのシーングラフ世界モデル

SonoGraph-WM は、超音波 (US) プローブの動作に伴う解剖学的変化を予測する、action- および goal-conditioned な world model である。 - 解剖を scene graph (SG) として表現し、可視構造・geometry・spatial relationship を保持する。 - US 画像を合成せず、SG と probe pose の履歴から将来の SG と pose を予測する。 - receding-horizon planner が候補軌道を想像し、goal graph に到達する最短予測経路を選択・実行する。

従来のロボット US navigation は、解剖学的変化を明示的に予測せずに action を選択する手法が多い。 - 本研究は world model により将来の SG と pose を予測し、anticipatory な probe navigation を可能にする点が異なる。 - US 画像を合成せず SG 空間で予測するため、画像生成の負担を回避する。 - CT label map から SG-pose 学習データを生成し、追跡・解剖注釈付き US 系列への依存を低減する。

中核は action- および goal-conditioned な world model と receding-horizon planner の組み合わせ。 - 履歴 SG と probe pose を unified Transformer に入力し、将来 SG と pose を同時予測する。 - planner は候補軌道を再帰的に想像し、goal graph に到達する最短予測経路を選択、短い execution horizon で実行後に再計画する。 - 学習データは CT label map から surface-constrained probe trajectory に沿って整列した SG-pose ペアを生成する。

4 つの held-out CT case で評価。 - 20 prediction step にわたり spatial relation F1 が 93% 超を維持。 - annotation-derived SG を用いた closed-loop navigation で gallbladder 77.50%、pancreas 75.00% の success。 - label-map-derived SG を用いた robot-phantom navigation で planner が 73.7% の trial で target view に到達。

CT-supervised anatomical world modeling が probe planning に有効であることを支持。 - 信頼性の高い navigation には頻繁な observation update が重要であると指摘。 - 限界や失敗要因の詳細、一般化可能性、臨床応用への議論は要旨からは不明。

要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として、US image synthesis を用いる world model、model-based planning、scene graph prediction、CT-to-US registration などが次の読むべき候補。 - 同分野の定番として、robotic ultrasound navigation、US probe planning、anatomical scene understanding に関する研究を挙げる。