前立腺手術ファントムのための解剖学的知識誘導型CT三次元セグメンテーションパイプライン
An Anatomy-guided 3D Segmentation Pipeline for Prostate Surgical Phantoms from CT Scans
CT画像から前立腺手術用ファントムの内部構造を、解剖学的な形状・輝度の事前知識を用いて自動的に三次元セグメンテーションする手法を提案し、複数世代のファントム57スキャンで有効性を示した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Iven Chen, Kuan-I Chung, Ayberk Acar, Susheela Sharma Stern, Alejandro O. Chara, Jie Ying Wu, Daniel Moyer
分類: cs.CV
原文アブストラクト
Full autonomy has been a long-term goal in robotic surgery and a near-to-medium-term goal for prostatectomy. Due to the relatively closed structure of the procedure, its standard-of-care robotic/laparoscopic solutions, and procedure economics, prostate procedures are an optimal early target for surgical automation. Prototyping and testing of possible solutions is done in constructed laboratory phantoms, either synthetic tissues or animal phantoms. To enable measurement of perceptual and robotic motion error, phantoms undergo volumetric imaging; these images are critical to both a potential deployed automatic system, used in planning motion and treatment (cutting, ablation, suturing, etc.), as well as post-hoc assessment of system performance. Rapid iteration on these phantom models yields small, inconsistent datasets, while the current workflow for human annotation is often anatomically unreliable and prohibitively time-consuming, rendering deep learning unsuitable at reasonable scales. To address these limitations, we present an automated 3D segmentation pipeline that uses classical medical image-processing techniques to encode the known anatomy of the phantoms as explicit geometric and intensity priors, which requires no training corpus and is transferred to each new phantom revision without re-annotation. Across 57 scans spanning multiple phantom revisions, our pipeline recovers the capsule interior at 0.83 median Dice on 11 contrast-suppressed scans and detects all 32 annotated focal lesions without false positives, completing a full scan in 2-8 minutes on commodity CPU hardware versus 1-2 hours by hand.
関連論文
- SIRA: クエリ基準アライメントによる推論対応手術器具セグメンテーション医療画像セグメンテーション
- 視覚特性事前分布による手術器具セグメンテーションの個人化フェデレーテッド学習医療画像セグメンテーション
- Surgical SAM 2: 効率的なフレーム枝刈りによる手術動画のリアルタイムセグメンテーション医療画像セグメンテーション
- ロボット支援心血管カテーテル治療におけるツールセグメンテーションのための多方向デコーダ分岐による弱教師あり学習医療画像セグメンテーション
- 超音波画像における針の動きを考慮したセグメンテーション医療画像セグメンテーション
- ロボット手術器具セグメンテーションのための入れ子型U構造医療画像セグメンテーション
