論文の概要: Assessing YOLACT++ for real time and robust instance segmentation of
medical instruments in endoscopic procedures
- arxiv url: http://arxiv.org/abs/2103.15997v1
- Date: Tue, 30 Mar 2021 00:09:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 04:50:25.300442
- Title: Assessing YOLACT++ for real time and robust instance segmentation of
medical instruments in endoscopic procedures
- Title(参考訳): 内視鏡手術におけるYOLACT++による医療機器のリアルタイムおよび堅牢なインスタンスセグメンテーションの評価
- Authors: Juan Carlos Angeles Ceron, Leonardo Chang, Gilberto Ochoa-Ruiz and
Sharib Ali
- Abstract要約: 腹腔鏡下器具の画像ベースの追跡は、コンピュータおよびロボット支援手術において基本的な役割を果たす。
これまで、医療機器のセグメンテーションなどの既存のモデルは、ほとんどが2段階の検出器に基づいている。
楽器のリアルタイムインスタンスセグメンテーションを可能にするYOLACTアーキテクチャへの注意メカニズムの追加を提案する。
- 参考スコア(独自算出の注目度): 0.5735035463793008
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image-based tracking of laparoscopic instruments plays a fundamental role in
computer and robotic-assisted surgeries by aiding surgeons and increasing
patient safety. Computer vision contests, such as the Robust Medical Instrument
Segmentation (ROBUST-MIS) Challenge, seek to encourage the development of
robust models for such purposes, providing large, diverse, and annotated
datasets. To date, most of the existing models for instance segmentation of
medical instruments were based on two-stage detectors, which provide robust
results but are nowhere near to the real-time (5 frames-per-second (fps)at
most). However, in order for the method to be clinically applicable, real-time
capability is utmost required along with high accuracy. In this paper, we
propose the addition of attention mechanisms to the YOLACT architecture that
allows real-time instance segmentation of instrument with improved accuracy on
the ROBUST-MIS dataset. Our proposed approach achieves competitive performance
compared to the winner ofthe 2019 ROBUST-MIS challenge in terms of robustness
scores,obtaining 0.313 MI_DSC and 0.338 MI_NSD, while achieving real-time
performance (37 fps)
- Abstract(参考訳): 腹腔鏡下手術器具の画像追跡は, 手術支援と患者安全性の向上により, 外科手術やロボット支援手術において重要な役割を担っている。
robust medical instrument segmentation (robust-mis) challengeのようなコンピュータビジョンコンテストは、このような目的のために堅牢なモデルの開発を奨励し、大規模で多様で注釈付きのデータセットを提供する。
これまでの医療機器のセグメント化のような既存のモデルのほとんどは、2段階の検出器に基づいており、堅牢な結果を提供するが、ほとんどの場合5フレーム/秒(fps)のリアルタイムに近い。
しかし, 本手法を臨床応用するためには, 精度の高いリアルタイム能力が必要である。
本稿では,ROBUST-MISデータセットの精度を向上した楽器のリアルタイムインスタンス分割を可能にするYOLACTアーキテクチャへのアテンション機構の追加を提案する。
提案手法は,2019 ROBUST-MIS チャレンジの勝者に対して,実時間性能 (37 fps) を達成しながら, 0.313 MI_DSC と 0.338 MI_NSD を得た。
関連論文リスト
- Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health
Monitoring Systems [69.41229290253605]
既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。
これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。
最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
論文 参考訳(メタデータ) (2024-01-19T16:26:35Z) - Syn3DWound: A Synthetic Dataset for 3D Wound Bed Analysis [28.960666848416274]
本稿では,2Dおよび3Dアノテーションを用いた高忠実度創傷のオープンソースデータセットであるSyn3DWoundを紹介する。
自動3次元形態計測と2D/3D創傷分割のためのベンチマークフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-27T13:59:53Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳(メタデータ) (2023-10-28T12:08:03Z) - Sculpting Efficiency: Pruning Medical Imaging Models for On-Device
Inference [13.403419873964422]
我々は、事前の作業から最適に設定されたMLモデルにおいて、過剰な運用上の複雑さを強調した。
その結果,圧縮速度は1148倍であり,品質の低下は最小限であった。
我々は、臨床研究者がより迅速に、よりリアルな使用に適したモデルを開発するための合理化の今後の研究の道を考える。
論文 参考訳(メタデータ) (2023-09-10T17:34:14Z) - Towards quantitative precision for ECG analysis: Leveraging state space
models, self-supervision and patient metadata [2.0777058026628583]
自動心電図解析システムの定量的精度向上を目的とした3つの要素について検討する。
まず、構造化状態空間モデル(SSM)を用いて時系列データの長期依存関係をキャプチャする。
第2に、コントラスト予測符号化を用いた自己教師型学習が、SSMの性能をさらに向上することを示した。
最後に、ECG信号と共に基本的な統計メタデータを入力として組み込む。
論文 参考訳(メタデータ) (2023-08-29T13:25:26Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - CaRTS: Causality-driven Robot Tool Segmentation from Vision and
Kinematics Data [11.92904350972493]
ロボット支援手術中の視覚に基づくロボットツールのセグメンテーションは、拡張現実フィードバックなどの下流アプリケーションを可能にする。
ディープラーニングの導入により、楽器のセグメンテーションを画像から直接、あるいは画像から直接解決する多くの方法が提示された。
本稿では,ロボットツールセグメンテーションタスクの相補的因果モデルに基づいて設計した因果性駆動型ロボットツールセグメンテーションアルゴリズムCaRTSを提案する。
論文 参考訳(メタデータ) (2022-03-15T22:26:19Z) - Real-time Instance Segmentation of Surgical Instruments using Attention
and Multi-scale Feature Fusion [0.5735035463793008]
ディープラーニングは、大規模な手術シーン環境から複雑な環境を学ぶ機会を与えてくれる。
本稿では,畳み込みブロックアテンションモジュールを補完する軽量単一ステージセグメンテーションモデルを用いる。
ROBUST-MISチャレンジでは,地域単位のMI_DSCと距離単位のMI_NSDを44%以上改善した。
論文 参考訳(メタデータ) (2021-11-09T02:22:01Z) - Efficient Global-Local Memory for Real-time Instrument Segmentation of
Robotic Surgical Video [53.14186293442669]
手術器具の知覚における重要な手がかりとして,隣接するフレームからの局所的時間依存性と,長距離における大域的意味的相関があげられる。
本稿では,グローバルとローカルの両方の時間的知識を関連付ける新しいデュアルメモリネットワーク(DMNet)を提案する。
本手法は,実時間速度を維持しながらセグメント化精度を向上する手法である。
論文 参考訳(メタデータ) (2021-09-28T10:10:14Z) - Searching for Efficient Architecture for Instrument Segmentation in
Robotic Surgery [58.63306322525082]
ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。
我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
論文 参考訳(メタデータ) (2020-07-08T21:38:29Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z)
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。