論文の概要: Uncertainty-aware Self-supervised Learning for Cross-domain Technical
Skill Assessment in Robot-assisted Surgery
- arxiv url: http://arxiv.org/abs/2304.14589v1
- Date: Fri, 28 Apr 2023 01:52:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 15:38:17.740477
- Title: Uncertainty-aware Self-supervised Learning for Cross-domain Technical
Skill Assessment in Robot-assisted Surgery
- Title（参考訳）: ロボット支援手術におけるクロスドメイン技術評価のための不確実性認識型自己教師型学習
- Authors: Ziheng Wang, Andrea Mariani, Arianna Menciassi, Elena De Momi, Ann
Majewicz Fey
- Abstract要約: 本稿では,ラベル付きキネマティックデータから未ラベルデータへのドメイン知識の伝達によるスキル評価手法を提案する。
本手法は,ロボット支援手術における手動ラベル付けや手術訓練の事前知識を必要とせず,既存の作業に対して大きな優位性をもたらす。
- 参考スコア（独自算出の注目度）: 14.145726158070522
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Objective technical skill assessment is crucial for effective training of new
surgeons in robot-assisted surgery. With advancements in surgical training
programs in both physical and virtual environments, it is imperative to develop
generalizable methods for automatically assessing skills. In this paper, we
propose a novel approach for skill assessment by transferring domain knowledge
from labeled kinematic data to unlabeled data. Our approach leverages labeled
data from common surgical training tasks such as Suturing, Needle Passing, and
Knot Tying to jointly train a model with both labeled and unlabeled data.
Pseudo labels are generated for the unlabeled data through an iterative manner
that incorporates uncertainty estimation to ensure accurate labeling. We
evaluate our method on a virtual reality simulated training task (Ring
Transfer) using data from the da Vinci Research Kit (dVRK). The results show
that trainees with robotic assistance have significantly higher expert
probability compared to these without any assistance, p < 0.05, which aligns
with previous studies showing the benefits of robotic assistance in improving
training proficiency. Our method offers a significant advantage over other
existing works as it does not require manual labeling or prior knowledge of the
surgical training task for robot-assisted surgery.
- Abstract（参考訳）: ロボット支援手術における新しい外科医の効果的な訓練には客観的技能評価が不可欠である。
身体環境と仮想環境の両方における外科訓練プログラムの進歩に伴い,自動評価のための汎用的手法の開発が不可欠である。
本稿では,ラベル付きキネマティックデータからラベルなしデータへのドメイン知識の伝達によるスキル評価手法を提案する。
本手法は, 縫合, 針通し, 結び結びなどの一般的な手術訓練課題からラベル付きデータを活用し, ラベル付きデータとラベル付きデータの両方を共同で訓練する。
擬似ラベルは、不確実性推定を組み込んで正確なラベル付けを保証する反復的な方法でラベル付けされていないデータに対して生成される。
本稿では,da Vinci Research Kit (dVRK) のデータを用いて,VRシミュレーショントレーニングタスク(Ring Transfer)について評価を行った。
以上の結果から,ロボット支援を受けた訓練生は,訓練能力向上におけるロボット支援のメリットを示す従来の研究と一致したp < 0.05よりも,専門家の確率が有意に高いことがわかった。
本手法は,手作業によるラベリングやロボット支援手術訓練タスクの事前知識を必要とせず,既存の作業よりも大きなアドバンテージを提供する。
関連論文リスト
- Multi-Modal Self-Supervised Learning for Surgical Feedback Effectiveness Assessment [66.6041949490137]
そこで本研究では,音声による音声入力とそれに対応する手術映像からの情報を統合して,フィードバックの有効性を予測する手法を提案する。
以上の結果から,手書きフィードバックと手術映像の両方が,訓練者の行動変化を個別に予測できることがわかった。
本研究は,手術フィードバックの自動評価を推進するためのマルチモーダル学習の可能性を示すものである。
論文 参考訳（メタデータ） (2024-11-17T00:13:00Z) - Robust Surgical Tools Detection in Endoscopic Videos with Noisy Data [2.566694420723775]
ノイズデータを用いた手術用ツール検出のためのロバストなモデルを開発するための体系的手法を提案する。
提案手法では,(1)データセットの最小化のための知的能動学習戦略と,(2)学習者モデルに基づく自己学習フレームワークの組み立て戦略,の2点を紹介する。
提案手法は,クラス重み付きアンサンブルモデルを用いた自己学習では平均85.88%,うるさいラベルでは80.88%のF1スコアを達成する。
論文 参考訳（メタデータ） (2023-07-03T08:12:56Z) - Demonstration-Guided Reinforcement Learning with Efficient Exploration
for Task Automation of Surgical Robot [54.80144694888735]
効率的な強化学習アルゴリズムであるDEX(Demonstration-Guided Exploration)を導入する。
本手法は,生産的相互作用を促進するために,高い値で専門家のような行動を推定する。
総合的な手術シミュレーションプラットフォームであるSurRoLによる10ドルの手術操作に関する実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-02-20T05:38:54Z) - Video-based Surgical Skills Assessment using Long term Tool Tracking [0.3324986723090368]
手術症例ビデオフィードから外科的スキルを自動評価するための動きに基づくアプローチを提案する。
提案されたパイプラインは、まず外科的ツールを確実に追跡し、運動軌跡を作成する。
提案手法と最先端追跡手法を用いて,トランスフォーマーに基づくスキルアセスメントと従来の機械学習手法を比較した。
論文 参考訳（メタデータ） (2022-07-05T18:15:28Z) - Revisiting the Adversarial Robustness-Accuracy Tradeoff in Robot
Learning [121.9708998627352]
近年の研究では、現実的なロボット学習の応用において、対人訓練の効果が公平なトレードオフを起こさないことが示されている。
本研究は,ロボット学習におけるロバストネスと精度のトレードオフを再考し,最近のロバストトレーニング手法と理論の進歩により,現実のロボット応用に適した対人トレーニングが可能かどうかを解析する。
論文 参考訳（メタデータ） (2022-04-15T08:12:15Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳（メタデータ） (2022-03-14T17:44:53Z) - Real-time Informative Surgical Skill Assessment with Gaussian Process
Learning [12.019641896240245]
本研究は,ESSBSのためのガウス的プロセス学習に基づく自動的客観的外科的スキル評価手法を提案する。
提案手法は,計測器の動きを内視鏡座標に投影し,データ次元を減少させる。
実験結果から,完全外科手術における100%の予測精度と,リアルタイムの予測評価における90%の精度が得られた。
論文 参考訳（メタデータ） (2021-12-05T15:35:40Z) - Domain Adaptive Robotic Gesture Recognition with Unsupervised
Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。
ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。
その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文 参考訳（メタデータ） (2021-03-06T09:10:03Z) - Surgical Skill Assessment on In-Vivo Clinical Data via the Clearness of
Operating Field [18.643159726513133]
本論文では,実際の臨床データセットを用いて外科的スキルアセスメントについて検討する。
手術領域のクリアネス(COF)は総合的な外科的スキルの指標として有用である。
COFのプロキシを通じて外科的スキルを予測するための,客観的かつ自動化されたフレームワークを提案する。
実験では, 提案手法はスピアマンの0.55の相関性を, 総合技術技術の基礎的真理と比較した。
論文 参考訳（メタデータ） (2020-08-27T07:12:16Z) - Scalable Multi-Task Imitation Learning with Autonomous Improvement [159.9406205002599]
我々は、自律的なデータ収集を通じて継続的に改善できる模倣学習システムを構築している。
我々は、ロボット自身の試行を、実際に試みたタスク以外のタスクのデモとして活用する。
従来の模倣学習のアプローチとは対照的に,本手法は,継続的改善のための疎い監視によるデータ収集を自律的に行うことができる。
論文 参考訳（メタデータ） (2020-02-25T18:56:42Z)
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。