論文の概要: Rethinking Surgical Instrument Segmentation: A Background Image Can Be
All You Need
- arxiv url: http://arxiv.org/abs/2206.11804v2
- Date: Mon, 27 Jun 2022 07:42:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 10:30:50.134076
- Title: Rethinking Surgical Instrument Segmentation: A Background Image Can Be
All You Need
- Title（参考訳）: 手術器具のセグメンテーションを再考:背景画像は必要なものすべて
- Authors: An Wang, Mobarakol Islam, Mengya Xu and Hongliang Ren
- Abstract要約: データ不足と不均衡はモデルの精度に大きな影響を与え、ディープラーニングベースの手術アプリケーションの設計と展開を制限してきた。
本稿では,ロボット手術によるデータ収集とアノテーションの複雑で高価なプロセスを排除する,1対多のデータ生成ソリューションを提案する。
経験的分析から,高コストなデータ収集とアノテーションがなければ,適切な手術器具のセグメンテーション性能が達成できることが示唆された。
- 参考スコア（独自算出の注目度）: 18.830738606514736
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data diversity and volume are crucial to the success of training deep
learning models, while in the medical imaging field, the difficulty and cost of
data collection and annotation are especially huge. Specifically in robotic
surgery, data scarcity and imbalance have heavily affected the model accuracy
and limited the design and deployment of deep learning-based surgical
applications such as surgical instrument segmentation. Considering this, in
this paper, we rethink the surgical instrument segmentation task and propose a
one-to-many data generation solution that gets rid of the complicated and
expensive process of data collection and annotation from robotic surgery. In
our method, we only utilize a single surgical background tissue image and a few
open-source instrument images as the seed images and apply multiple
augmentations and blending techniques to synthesize amounts of image
variations. In addition, we also introduce the chained augmentation mixing
during training to further enhance the data diversities. The proposed approach
is evaluated on the real datasets of the EndoVis-2018 and EndoVis-2017 surgical
scene segmentation. Our empirical analysis suggests that without the high cost
of data collection and annotation, we can achieve decent surgical instrument
segmentation performance. Moreover, we also observe that our method can deal
with novel instrument prediction in the deployment domain. We hope our
inspiring results will encourage researchers to emphasize data-centric methods
to overcome demanding deep learning limitations besides data shortage, such as
class imbalance, domain adaptation, and incremental learning.
- Abstract（参考訳）: データ多様性とボリュームはディープラーニングモデルのトレーニングの成功に不可欠であるが、医療画像分野では、データ収集とアノテーションの困難さとコストが特に大きい。
特にロボット手術において、データの不足と不均衡はモデルの精度に大きく影響を与え、手術器具のセグメンテーションのような深層学習に基づく手術アプリケーションの設計と展開を制限している。
本稿では,手術器具分割作業を再考し,ロボット手術からデータ収集とアノテーションを複雑かつ高価なプロセスから取り除いた1対多のデータ生成ソリューションを提案する。
本手法では,単一の外科的背景組織画像といくつかのオープンソース機器画像のみをシード画像として使用し,複数の増補およびブレンド技術を用いて画像変動量の合成を行う。
さらに,データ多様性をさらに向上するため,トレーニング中に連鎖強化ミキシングを導入する。
提案手法は,EndoVis-2018とEndoVis-2017の手術シーンセグメンテーションの実際のデータセットに基づいて評価される。
経験的分析から,高コストなデータ収集とアノテーションがなければ,適切な手術器具のセグメンテーション性能が達成できることが示唆された。
さらに,本手法がデプロイメント領域において新たな計測器予測に対処できることも確認した。
私たちは、クラス不均衡、ドメイン適応、インクリメンタル学習など、データ不足以外のディープラーニングの制限を克服するために、データ中心の方法を強調したいと考えています。
関連論文リスト
- SurgicaL-CD: Generating Surgical Images via Unpaired Image Translation with Latent Consistency Diffusion Models [1.6189876649941652]
現実的な手術画像を生成するために, 連続拡散法であるemphSurgicaL-CDを導入する。
以上の結果から,本手法はGANや拡散に基づく手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-08-19T09:19:25Z) - Jumpstarting Surgical Computer Vision [2.7396997668655163]
我々は、多様な外科的データセットを柔軟に活用するために、自己教師付き学習を採用する。
腹腔鏡下胆嚢摘出術と腹腔鏡下子宮摘出術の位相認識と安全性の検討を行った。
事前トレーニングデータセットの構成は、さまざまな下流タスクに対するSSLメソッドの有効性に大きな影響を与える可能性がある。
論文 参考訳（メタデータ） (2023-12-10T18:54:16Z) - Visual-Kinematics Graph Learning for Procedure-agnostic Instrument Tip
Segmentation in Robotic Surgeries [29.201385352740555]
そこで我々は,様々な外科手術を施した楽器の先端を正確に分類する新しいビジュアル・キネマティクスグラフ学習フレームワークを提案する。
具体的には、画像とキネマティクスの両方から楽器部品のリレーショナル特徴を符号化するグラフ学習フレームワークを提案する。
クロスモーダル・コントラッシブ・ロスは、キネマティクスからチップセグメンテーションのイメージへの頑健な幾何学的先行を組み込むように設計されている。
論文 参考訳（メタデータ） (2023-09-02T14:52:58Z) - Generalizing Surgical Instruments Segmentation to Unseen Domains with
One-to-Many Synthesis [18.830738606514736]
ディープラーニングの手法は、実世界の外科的応用への展開を妨げることが多い。
データ収集、アノテーション、ドメインシフトは、最も一般的な障害である。
我々は、最小限のソースイメージを効率よく活用して、合成外科用機器セグメンテーションデータセットを生成することにより、データ関連の問題を緩和する。
論文 参考訳（メタデータ） (2023-06-28T15:06:44Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Surgical tool classification and localization: results and methods from
the MICCAI 2022 SurgToolLoc challenge [69.91670788430162]
SurgLoc 2022 チャレンジの結果を示す。
目標は、ツール検出のためにトレーニングされた機械学習モデルにおいて、ツールの存在データを弱いラベルとして活用することだった。
これらの結果を機械学習と手術データ科学の幅広い文脈で論じることで結論付ける。
論文 参考訳（メタデータ） (2023-05-11T21:44:39Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳（メタデータ） (2022-09-21T12:30:05Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Synthetic and Real Inputs for Tool Segmentation in Robotic Surgery [10.562627972607892]
腹腔鏡画像と組み合わせたロボットキネマティックデータを用いてラベル付け問題を緩和できる可能性が示唆された。
腹腔鏡画像とシミュレーション画像の並列処理のための新しい深層学習モデルを提案する。
論文 参考訳（メタデータ） (2020-07-17T16:33:33Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳（メタデータ） (2020-07-09T01:39:39Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-02-22T14:10:13Z)
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。