Fugu-MT 論文翻訳(概要): One-shot domain adaptation in video-based assessment of surgical skills

論文の概要: One-shot domain adaptation in video-based assessment of surgical skills

arxiv url: http://arxiv.org/abs/2301.00812v4
Date: Wed, 27 Dec 2023 17:41:11 GMT
ステータス: 処理完了
システム内更新日: 2023-12-29 23:43:17.126400
Title: One-shot domain adaptation in video-based assessment of surgical skills
Title（参考訳）: 手術スキル評価におけるワンショット領域適応
Authors: Erim Yanik, Steven Schwaitzberg, Gene Yang, Xavier Intes, Suvranu De
Abstract要約: A-VBANetは、ワンショット学習を通じてドメインに依存しない外科的スキル分類を提供する、新しいメタラーニングモデルである。腹腔鏡下胆嚢摘出術では99.5%,小切片設定では99.9%,腹腔鏡下胆嚢摘出術では89.7%の順応が得られた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep Learning (DL) has achieved automatic and objective assessment of surgical skills. However, the applicability of DL models is often hampered by their substantial data requirements and confinement to specific training domains. This prevents them from transitioning to new tasks with scarce data. Therefore, domain adaptation emerges as a critical element for the practical implementation of DL in real-world scenarios. Herein, we introduce A-VBANet, a novel meta-learning model capable of delivering domain-agnostic surgical skill classification via one-shot learning. A-VBANet has been rigorously developed and tested on five diverse laparoscopic and robotic surgical simulators. Furthermore, we extend its validation to operating room (OR) videos of laparoscopic cholecystectomy. Our model successfully adapts with accuracies up to 99.5% in one-shot and 99.9% in few-shot settings for simulated tasks and 89.7% for laparoscopic cholecystectomy. This research marks the first instance of a domain-agnostic methodology for surgical skill assessment, paving the way for more precise and accessible training evaluation across diverse high-stakes environments such as real-life surgery where data is scarce.
Abstract（参考訳）: 深層学習(DL)は,外科的スキルの自動的,客観的評価を達成している。しかし、DLモデルの適用性はしばしば、そのデータ要求と特定の訓練領域への制限によって妨げられている。これにより、少ないデータで新しいタスクに移行することを防ぐ。したがって、ドメイン適応は現実のシナリオにおいてDLを実践するための重要な要素として現れる。本稿では,単発学習によるドメインに依存しない外科的スキル分類を実現するメタラーニングモデルであるA-VBANetを紹介する。 A-VBANetは5種類の腹腔鏡およびロボット手術シミュレータで厳格に開発、試験されている。さらに腹腔鏡下胆嚢摘出術の手術室(OR)ビデオにも検証範囲を広げた。腹腔鏡下胆嚢摘出術では99.5%,小切片設定では99.9%,腹腔鏡下胆嚢摘出術では89.7%であった。本研究は,データ不足のリアルライフ手術などの多種多様なハイテイク環境において,より正確かつアクセシブルなトレーニング評価を行うための,外科的スキル評価のためのドメインに依存しない方法論の最初の事例である。

関連論文リスト

Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
論文参考訳（メタデータ） (2024-11-04T12:24:33Z)
Domain Adaptation of Echocardiography Segmentation Via Reinforcement Learning [4.850478245721347]
我々はRL4Segを紹介した。RL4Segは革新的な強化学習フレームワークで、ターゲットドメインに専門的な注釈付きデータセットを組み込む必要がなくなる。 RL4Segは1万枚の未診断2D心エコー画像のターゲットデータセットを用いて、ターゲットドメインから220名の専門家検証対象のサブセットに対して99%の解剖学的妥当性を達成している。
論文参考訳（メタデータ） (2024-06-25T19:26:39Z)
ProtoAL: Interpretable Deep Active Learning with prototypes for medical imaging [0.6292138336765966]
本稿では,解釈可能なDLモデルをDeep Active Learningフレームワークに統合するProtoAL手法を提案する。我々は,Messidorデータセット上でProtoALを評価し,精度-リコール曲線0.79の領域を実現するとともに,利用可能なラベル付きデータの76.54%しか利用していない。
論文参考訳（メタデータ） (2024-04-06T21:39:49Z)
Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文参考訳（メタデータ） (2024-03-12T18:12:02Z)
One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文参考訳（メタデータ） (2022-12-14T15:54:15Z)
Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
論文参考訳（メタデータ） (2022-07-01T14:17:11Z)
Ensembling Handcrafted Features with Deep Features: An Analytical Study for Classification of Routine Colon Cancer Histopathological Nuclei Images [13.858624044986815]
我々は,F1-measure,Precision,Recall,AUC,Cross-Entropy Lossを用いて,提案手法の性能解析を行った。以上の結果から,DL特徴のアンサンブルがモデル全体の性能を著しく向上させることが明らかとなった。
論文参考訳（メタデータ） (2022-02-22T06:48:50Z)
Enhancing Clinical Information Extraction with Transferred Contextual Embeddings [9.143551270841858]
変換器(BERT)モデルによる双方向表現は、多くの自然言語処理(NLP)タスクにおいて最先端のパフォーマンスを達成した。 BERTをベースとした事前学習モデルは,軽度条件下で健康関連文書に転送可能であることを示す。
論文参考訳（メタデータ） (2021-09-15T12:22:57Z)
Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
論文参考訳（メタデータ） (2021-06-13T03:56:59Z)
Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文参考訳（メタデータ） (2020-07-04T07:56:02Z)
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。