論文の概要: CoStoDet-DDPM: Collaborative Training of Stochastic and Deterministic Models Improves Surgical Workflow Anticipation and Recognition

• arxiv url: http://arxiv.org/abs/2503.10216v1
• Date: Thu, 13 Mar 2025 09:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:52:53.308708
• Title: CoStoDet-DDPM: Collaborative Training of Stochastic and Deterministic Models Improves Surgical Workflow Anticipation and Recognition
• Title（参考訳）: CoStoDet-DDPM: 外科的ワークフロー予測と認識を改善する確率的および決定論的モデルの協調トレーニング
• Authors: Kaixiang Yang, Xin Li, Qiang Li, Zhiwei Wang,
• Abstract要約: 拡散確率モデル(DDPM)による固有モデリングを取り入れた革新的枠組みを導入する。 私たちのアプローチの中心は、共同学習のパラダイムです。 Cholec80データセットを用いた実験では,予測タスクでは,最先端手法と比較してeMAEが16%削減された。
• 参考スコア（独自算出の注目度）: 12.360775476995169
• License:
• Abstract: Anticipating and recognizing surgical workflows are critical for intelligent surgical assistance systems. However, existing methods rely on deterministic decision-making, struggling to generalize across the large anatomical and procedural variations inherent in real-world surgeries.In this paper, we introduce an innovative framework that incorporates stochastic modeling through a denoising diffusion probabilistic model (DDPM) into conventional deterministic learning for surgical workflow analysis. At the heart of our approach is a collaborative co-training paradigm: the DDPM branch captures procedural uncertainties to enrich feature representations, while the task branch focuses on predicting surgical phases and instrument usage.Theoretically, we demonstrate that this mutual refinement mechanism benefits both branches: the DDPM reduces prediction errors in uncertain scenarios, and the task branch directs the DDPM toward clinically meaningful representations. Notably, the DDPM branch is discarded during inference, enabling real-time predictions without sacrificing accuracy.Experiments on the Cholec80 dataset show that for the anticipation task, our method achieves a 16% reduction in eMAE compared to state-of-the-art approaches, and for phase recognition, it improves the Jaccard score by 1.0%. Additionally, on the AutoLaparo dataset, our method achieves a 1.5% improvement in the Jaccard score for phase recognition, while also exhibiting robust generalization to patient-specific variations. Our code and weight are available at https://github.com/kk42yy/CoStoDet-DDPM.
• Abstract（参考訳）: 外科的ワークフローの予測と認識は、インテリジェントな外科的補助システムにとって重要である。 しかし,既存の手法は決定論的な意思決定に頼っており,実際の外科手術に特有の解剖学的および手続き的変異を一般化するのに苦慮している。この記事では,DPM(denoising diffusion probabilistic model)による確率的モデリングを従来の決定論的学習に組み込む,革新的な枠組みを導入する。 DDPMブランチは機能表現を豊かにするために手続き的不確実性を捉え,タスクブランチは外科的位相の予測と器具使用に焦点を合わせ,この相互改善機構は両ブランチの利点を実証する:DDPMは不確実なシナリオにおける予測エラーを低減し,タスクブランチは臨床的に有意な表現に向けてDDPMを指示する。 特に,DDPM分岐は推論中に破棄され,精度を犠牲にすることなくリアルタイムの予測が可能であり,Colec80データセットを用いた実験により,予測タスクにおいて,本手法は最先端手法と比較して16%のeMAE削減を実現し,位相認識ではジャカードスコアが1.0%向上した。 さらに、AutoLaparoデータセットでは、位相認識のためのJaccardスコアが1.5%改善され、患者固有のバリエーションへの堅牢な一般化が示される。 私たちのコードとウェイトはhttps://github.com/kk42yy/CoStoDet-DDPM.orgで公開されています。

関連論文リスト

• Primary Care Diagnoses as a Reliable Predictor for Orthopedic Surgical Interventions [0.10624941710159722]
  リファラルワークフローの非効率性は、最適な患者と高い医療費に寄与する。 本研究では,プライマリケアの診断項目に基づく手続き的ニーズの予測の可能性について検討した。
  論文  参考訳（メタデータ） (2025-02-06T17:15:12Z)
• ETSM: Automating Dissection Trajectory Suggestion and Confidence Map-Based Safety Margin Prediction for Robot-assisted Endoscopic Submucosal Dissection [10.2380174289706]
  ESD Trajectory and Confidence Map-based Safety (ETSM)データセットを1849ドルの短いクリップで作成し、デュアルアームロボットシステムによる粘膜下剥離に焦点を当てた。 また、最適解離軌道予測と信頼マップに基づく安全マージンを組み合わせたフレームワークも導入する。 提案手法は, 予測精度の向上と解離プロセスの安全性の向上により, 現在の研究におけるギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-11-28T03:19:18Z)
• Hypergraph-Transformer (HGT) for Interactive Event Prediction in Laparoscopic and Robotic Surgery [47.47211257890948]
  腹腔内ビデオから外科的ワークフローの重要なインタラクティブな側面を理解し,予測できる予測型ニューラルネットワークを提案する。 我々は,既存の手術用データセットとアプリケーションに対するアプローチを検証し,アクション・トリプレットの検出と予測を行った。 この結果は、非構造的な代替案と比較して、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2024-02-03T00:58:05Z)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  左室容積推定は各種心血管疾患の診断・管理に重要である。 近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。 本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• Pre-Training with Diffusion models for Dental Radiography segmentation [0.0]
  セマンティックセグメンテーションのための簡単な事前学習法を提案する。 本手法はラベル効率の点で優れた性能を発揮する。 歯科用ラジオグラフィのセグメンテーションに関する実験結果から,提案手法は最先端の事前訓練法と競合することが示された。
  論文  参考訳（メタデータ） (2023-07-26T09:33:24Z)
• Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement [61.28459114068828]
  安全な深部強化学習(DRL)に基づく訓練経路計画にリアルタイムな観察を活用するロボット脊椎手術の術中計画手法を提案する。 本手法は,ゴールドスタンダード (GS) 掘削計画に関して,90%の骨貫通を達成できた。
  論文  参考訳（メタデータ） (2023-05-09T11:42:53Z)
• Quality control for more reliable integration of deep learning-based image segmentation into medical workflows [0.23609258021376836]
  本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。 磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
  論文  参考訳（メタデータ） (2021-12-06T16:30:43Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Efficient Learning and Decoding of the Continuous-Time Hidden Markov Model for Disease Progression Modeling [119.50438407358862]
  本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。 EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。 緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
  論文  参考訳（メタデータ） (2021-10-26T20:06:05Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)
• 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。