Fugu-MT 論文翻訳(概要): OperA: Attention-Regularized Transformers for Surgical Phase Recognition

論文の概要: OperA: Attention-Regularized Transformers for Surgical Phase Recognition

arxiv url: http://arxiv.org/abs/2103.03873v1
Date: Fri, 5 Mar 2021 18:59:14 GMT
ステータス: 処理完了
システム内更新日: 2021-03-08 15:04:40.305391
Title: OperA: Attention-Regularized Transformers for Surgical Phase Recognition
Title（参考訳）: オペラ : 手術相認識のための注意正規化トランスフォーマー
Authors: Tobias Czempiel, Magdalini Paschali, Daniel Ostler, Seong Tae Kim, Benjamin Busam, Nassir Navab
Abstract要約: 長い映像列から外科的位相を正確に予測する変圧器モデルoperaを紹介する。 operaは腹腔鏡下胆嚢摘出ビデオの2つのデータセットで徹底的に評価されており,術中時間的改善のアプローチを上回っている。
参考スコア（独自算出の注目度）: 46.72897518687539
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we introduce OperA, a transformer-based model that accurately predicts surgical phases from long video sequences. A novel attention regularization loss encourages the model to focus on high-quality frames during training. Moreover, the attention weights are utilized to identify characteristic high attention frames for each surgical phase, which could further be used for surgery summarization. OperA is thoroughly evaluated on two datasets of laparoscopic cholecystectomy videos, outperforming various state-of-the-art temporal refinement approaches.
Abstract（参考訳）: 本稿では,長い映像列から外科的位相を正確に予測する変圧器モデル opera を提案する。新たな注意の正規化損失は、トレーニング中に高品質なフレームにフォーカスするようモデルに促す。また,注意重みを用いて各手術段階ごとに特徴的な高注意フレームを識別し,さらに手術要約に用いることができる。 operaは腹腔鏡下胆嚢摘出ビデオの2つのデータセットで徹底的に評価されており,術中時間的改善のアプローチを上回っている。

関連論文リスト

Cataract-1K: Cataract Surgery Dataset for Scene Segmentation, Phase Recognition, and Irregularity Detection [5.47960852753243]
本稿では,コンピュータ化された手術ワークフロー解析を構築するための多様な要件に対処する,白内障手術用ビデオデータセットについて紹介する。我々は、最先端のニューラルネットワークアーキテクチャの性能をベンチマークすることで、アノテーションの品質を検証する。データセットとアノテーションは、論文の受理時に公開される。
論文参考訳（メタデータ） (2023-12-11T10:53:05Z)
Action Recognition in Video Recordings from Gynecologic Laparoscopy [4.002010889177872]
行動認識は腹腔鏡画像解析における多くの応用の前提条件である。本研究では,CNN-RNNアーキテクチャと,カスタマイズしたトレーニング推論フレームワークの設計と評価を行う。
論文参考訳（メタデータ） (2023-11-30T16:15:46Z)
Surgical Temporal Action-aware Network with Sequence Regularization for Phase Recognition [28.52533700429284]
本稿では,STAR-Netと命名されたシークエンス正規化を施した手術時行動認識ネットワークを提案する。 MS-STAモジュールは、視覚的特徴と2Dネットワークを犠牲にして、手術行動の空間的および時間的知識を統合する。我々のSTAR-Net with MS-STA and DSR can exploit of visual features of surgery action with effective regularization, which to the excellent performance of surgery phase recognition。
論文参考訳（メタデータ） (2023-11-21T13:43:16Z)
AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文参考訳（メタデータ） (2023-09-25T19:34:12Z)
GLSFormer : Gated - Long, Short Sequence Transformer for Step Recognition in Surgical Videos [57.93194315839009]
本稿では,シーケンスレベルのパッチから時間的特徴を直接学習するための視覚変換器に基づくアプローチを提案する。本研究では,白内障手術用ビデオデータセットである白内障-101とD99に対するアプローチを広範に評価し,各種の最先端手法と比較して優れた性能を示した。
論文参考訳（メタデータ） (2023-07-20T17:57:04Z)
LoViT: Long Video Transformer for Surgical Phase Recognition [59.06812739441785]
短時間・長期の時間情報を融合する2段階のLong Video Transformer(LoViT)を提案する。このアプローチは、Colec80とAutoLaparoデータセットの最先端メソッドを一貫して上回る。
論文参考訳（メタデータ） (2023-05-15T20:06:14Z)
Learning-Based Keypoint Registration for Fetoscopic Mosaicking [65.02392513942533]
ツイン・トゥ・ツイン輸血症候群(TTTS)では、単子葉胎盤の血管系異常な血管性無痛が両胎児の間に不均一な血流を生じさせる。本研究では,フィールド・オブ・ビュー展開のためのフェトスコープフレーム登録のための学習ベースフレームワークを提案する。
論文参考訳（メタデータ） (2022-07-26T21:21:12Z)
Surgical Phase Recognition in Laparoscopic Cholecystectomy [57.929132269036245]
本稿では,2段階推論パイプラインのキャリブレーションされた信頼度スコアを利用するTransformerに基づく手法を提案する。提案手法はColec80データセットのベースラインモデルよりも優れており,様々なアクションセグメンテーション手法に適用できる。
論文参考訳（メタデータ） (2022-06-14T22:55:31Z)
SUrgical PRediction GAN for Events Anticipation [38.65189355224683]
我々は,過去の腹腔鏡下ビデオフレーム上で,将来の手術段階の軌跡をサンプリングする新しいGAN製剤を用いた。腹腔鏡下胆嚢摘出ビデオの進行を推定・予測する効果を実証した。これらの予測軌道の可能性を評価するために外科医を調査した。
論文参考訳（メタデータ） (2021-05-10T19:56:45Z)
TeCNO: Surgical Phase Recognition with Multi-Stage Temporal Convolutional Networks [43.95869213955351]
外科的位相認識のための階層的予測補正を行う多段階時間畳み込みネットワーク(MS-TCN)を提案する。本手法は腹腔鏡下胆嚢摘出術ビデオの2つのデータセットに対して,追加の外科的ツール情報を用いずに徹底的に評価した。
論文参考訳（メタデータ） (2020-03-24T10:12:30Z)

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。