論文の概要: Unsupervised anomaly detection for a Smart Autonomous Robotic Assistant Surgeon (SARAS)using a deep residual autoencoder

• arxiv url: http://arxiv.org/abs/2104.11008v1
• Date: Thu, 22 Apr 2021 12:10:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 19:18:06.358786
• Title: Unsupervised anomaly detection for a Smart Autonomous Robotic Assistant Surgeon (SARAS)using a deep residual autoencoder
• Title（参考訳）: 深い残差オートエンコーダを用いたsara(smart autonomous robot assistant surgeon)の教師なし異常検出
• Authors: Dinesh Jackson Samuel and Fabio Cuzzolin
• Abstract要約: 手術環境における異常事象は稀であり、データをキャプチャして教師付き方法で検出モデルを訓練することは困難である。 深部残存オートエンコーダに基づくロボット支援手術の異常検出に対する非監視的アプローチを提案する。 このシステムは、Colec80では78.4%、SARASファントムデータセットでは95.6%、88.1%のリコールと精度をそれぞれ達成している。
• 参考スコア（独自算出の注目度）: 7.655239948659381
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Anomaly detection in Minimally-Invasive Surgery (MIS) traditionally requires a human expert monitoring the procedure from a console. Data scarcity, on the other hand, hinders what would be a desirable migration towards autonomous robotic-assisted surgical systems. Automated anomaly detection systems in this area typically rely on classical supervised learning. Anomalous events in a surgical setting, however, are rare, making it difficult to capture data to train a detection model in a supervised fashion. In this work we thus propose an unsupervised approach to anomaly detection for robotic-assisted surgery based on deep residual autoencoders. The idea is to make the autoencoder learn the 'normal' distribution of the data and detect abnormal events deviating from this distribution by measuring the reconstruction error. The model is trained and validated upon both the publicly available Cholec80 dataset, provided with extra annotation, and on a set of videos captured on procedures using artificial anatomies ('phantoms') produced as part of the Smart Autonomous Robotic Assistant Surgeon (SARAS) project. The system achieves recall and precision equal to 78.4%, 91.5%, respectively, on Cholec80 and of 95.6%, 88.1% on the SARAS phantom dataset. The end-to-end system was developed and deployed as part of the SARAS demonstration platform for real-time anomaly detection with a processing time of about 25 ms per frame.
• Abstract（参考訳）: Minimally-Invasive Surgery (MIS) における異常検出には、従来、コンソールから手順を監視する人間専門家が必要である。 一方、データの不足は、自律的なロボット支援手術システムへの移行を妨げている。 この領域における自動異常検出システムは、典型的には古典的教師付き学習に依存している。 しかし, 手術環境における異常事象は稀であり, データを捕捉し, 教師付きで検出モデルを訓練することは困難である。 そこで本研究では,ロボット支援手術における残差オートエンコーダに基づく異常検出手法を提案する。 オートエンコーダがデータの「正常」分布を学習させ、この分布から逸脱した異常事象を再構成誤差を測定することで検出する。 このモデルは、公開されているcholec80データセットと、smart autonomous robot assistant surgeon(saras)プロジェクトの一部として作成された人工解剖学('phantoms')を使った一連のビデオの両方で訓練され、検証される。 このシステムは、それぞれColec80で78.4%、91.5%、SARASファントムデータセットで95.6%、88.1%のリコールと精度を達成する。 エンド・ツー・エンドのシステムは、フレーム当たり約25msの処理時間でリアルタイム異常検出のためのサラスデモンストレーションプラットフォームの一部として開発・展開された。

関連論文リスト

• SEDMamba: Enhancing Selective State Space Modelling with Bottleneck Mechanism and Fine-to-Coarse Temporal Fusion for Efficient Error Detection in Robot-Assisted Surgery [7.863539113283565]
  選択的状態空間モデル(SSM)を外科的誤り検出に組み込んだSEDMambaという新しい階層モデルを提案する。 SEDMambaは、長期ビデオにおける外科的エラーの検出と時間的局所化のために、ボトルネック機構と微細から粗い時間的融合(FCTF)を備えた選択的SSMを強化する。 我々の研究は、実際の手術症例におけるエラー検出を支援するために、第一種、フレームレベル、生存中の外科的エラーデータセットにも貢献する。
  論文  参考訳（メタデータ） (2024-06-22T19:20:35Z)
• Concept-based Anomaly Detection in Retail Stores for Automatic Correction using Mobile Robots [3.989104441591223]
  Co-ADは視覚変換器(ViT)を用いた概念に基づく異常検出手法である 計画図のような事前の知識ベースを使わずに、誤って配置されたオブジェクトにフラグを付けることができる。 小売品の異常検出画像セットで89.90%の最高成功率を持つ。
  論文  参考訳（メタデータ） (2023-10-21T16:49:23Z)
• Automatic registration with continuous pose updates for marker-less surgical navigation in spine surgery [52.63271687382495]
  本研究では, 腰部脊柱管固定術の登録問題を, 無放射線で自動的に解決するアプローチを提案する。 深部神経ネットワークは、腰椎を分割し、その方向を同時に予測するように訓練され、前手術モデルに対する最初のポーズが得られた。 拡張現実ベースのナビゲーションシステムとの統合により、直感的な外科的ガイダンスが提供される。
  論文  参考訳（メタデータ） (2023-08-05T16:26:41Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Automatic identification of segmentation errors for radiotherapy using geometric learning [0.0]
  この研究の目的は、3D OARセグメンテーションにおけるエラーを自動的に識別するツールを開発することであった。 提案モデルは,耳下腺のセグメンテーションの合成データセットを用いて,自己教師付き学習を用いて訓練される。 内耳と外耳の誤差は85.0%, 89.7%と予測された。
  論文  参考訳（メタデータ） (2022-06-27T14:01:52Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Double-Adversarial Activation Anomaly Detection: Adversarial Autoencoders are Anomaly Generators [0.0]
  異常検出は、固有のクラス不均衡のため、機械学習アルゴリズムにとって難しいタスクである。 生成モデルに着想を得て,ニューラルネットワークの隠れ活性化の解析を行い,DA3Dと呼ばれる新しい教師なし異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-01-12T18:07:34Z)

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。