論文の概要: SurgWound-Bench: A Benchmark for Surgical Wound Diagnosis

• arxiv url: http://arxiv.org/abs/2508.15189v1
• Date: Thu, 21 Aug 2025 03:00:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.155144
• Title: SurgWound-Bench: A Benchmark for Surgical Wound Diagnosis
• Title（参考訳）: SurgWound-Bench: 外科的創傷診断のためのベンチマーク
• Authors: Jiahao Xu, Changchang Yin, Odysseas Chatzipanagiotou, Diamantis Tsilimigras, Kevin Clear, Bingsheng Yao, Dakuo Wang, Timothy Pawlik, Ping Zhang,
• Abstract要約: SurgWoundは、さまざまな種類の外科的創傷を特徴とする、最初のオープンソースデータセットである。 SurgWoundをベースとして,外科的創傷診断のための最初のベンチマークを紹介する。 外科的創傷診断のための3段階学習フレームワークWoundQwenを提案する。
• 参考スコア（独自算出の注目度）: 26.630591954750866
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Surgical site infection (SSI) is one of the most common and costly healthcare-associated infections and and surgical wound care remains a significant clinical challenge in preventing SSIs and improving patient outcomes. While recent studies have explored the use of deep learning for preliminary surgical wound screening, progress has been hindered by concerns over data privacy and the high costs associated with expert annotation. Currently, no publicly available dataset or benchmark encompasses various types of surgical wounds, resulting in the absence of an open-source Surgical-Wound screening tool. To address this gap: (1) we present SurgWound, the first open-source dataset featuring a diverse array of surgical wound types. It contains 697 surgical wound images annotated by 3 professional surgeons with eight fine-grained clinical attributes. (2) Based on SurgWound, we introduce the first benchmark for surgical wound diagnosis, which includes visual question answering (VQA) and report generation tasks to comprehensively evaluate model performance. (3) Furthermore, we propose a three-stage learning framework, WoundQwen, for surgical wound diagnosis. In the first stage, we employ five independent MLLMs to accurately predict specific surgical wound characteristics. In the second stage, these predictions serve as additional knowledge inputs to two MLLMs responsible for diagnosing outcomes, which assess infection risk and guide subsequent interventions. In the third stage, we train a MLLM that integrates the diagnostic results from the previous two stages to produce a comprehensive report. This three-stage framework can analyze detailed surgical wound characteristics and provide subsequent instructions to patients based on surgical images, paving the way for personalized wound care, timely intervention, and improved patient outcomes.
• Abstract（参考訳）: 外科的部位感染 (SSI) は医療関連感染症として最も一般的で費用がかかるものの一つであり, 外科的創傷治療はSSIの予防と患者の予後改善に重要な課題である。 近年, 外科的創傷スクリーニングにおける深層学習の活用が検討されているが, データプライバシや専門家のアノテーションに関連する高コストの懸念から進歩が妨げられている。 現在、利用可能なデータセットやベンチマークは、さまざまな種類の外科的創傷を包含していないため、オープンソースオペレーショナル・ワンドスクリーニングツールが欠如している。 1)SurgWoundは外科的創傷の種類が多種多様である最初のオープンソースデータセットである。 3名の専門医が8つの微細な臨床属性で注釈を付けた697個の外科的創傷画像を含んでいる。 2)SurgWoundをベースとして,視覚的質問応答(VQA)と報告生成タスクを含む外科的創傷診断のための最初のベンチマークを導入し,モデル性能を総合的に評価する。 さらに,外科的創傷診断のための3段階学習フレームワークWoundQwenを提案する。 最初の段階では、5つの独立したMLLMを用いて、特定の外科的創傷特性を正確に予測する。 第2段階では、これらの予測は、感染リスクを評価し、その後の介入を誘導する結果の診断に責任を持つ2つのMLLMに対して追加の知識入力として機能する。 第3段階では、これまでの2段階から診断結果を統合して総合的なレポートを作成するMLLMを訓練する。 この3段階の枠組みは、詳細な外科的創傷の特徴を解析し、外科的画像に基づいて患者にその後の指示を与え、パーソナライズされた創傷ケア、タイムリーな介入、そして患者の成果を改善することができる。

関連論文リスト

• SurgVidLM: Towards Multi-grained Surgical Video Understanding with Large Language Model [55.13206879750197]
  SurgVidLMは、完全かつきめ細かい外科的ビデオ理解に対処するために設計された最初のビデオ言語モデルである。 手術ビデオの多段階的理解を行うための2段階フレームワークであるStageFocus機構について紹介する。 実験結果から,SurgVidLMは全精細ビデオ理解タスクおよび精細ビデオ理解タスクにおいて,最先端のVid-LLMよりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-06-22T02:16:18Z)
• Surgeons vs. Computer Vision: A comparative analysis on surgical phase recognition capabilities [65.66373425605278]
  自動手術相認識(SPR)は、人工知能(AI)を使用して、手術ワークフローをその重要なイベントに分割する。 従来の研究は、短い外科手術と直線的な外科手術に焦点を合わせており、時間的文脈が手術の段階をよりよく分類する専門家の能力に影響を与えるかどうかを探索していない。 本研究は,ロボットによる部分腎切除(RAPN)を高度に非直線的に行うことに焦点を当て,これらのギャップに対処する。
  論文  参考訳（メタデータ） (2025-04-26T15:37:22Z)
• 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)
• CholecTriplet2022: Show me a tool and tell me the triplet -- an endoscopic vision challenge for surgical action triplet detection [41.66666272822756]
  本稿では,ColecTriplet2022の課題について述べる。 キーアクターとして、すべての可視的手術器具(または道具)の弱い調整されたバウンディングボックスローカライゼーションと、楽器、動詞、ターゲット>三重奏の形式での各ツール活性のモデリングを含む。
  論文  参考訳（メタデータ） (2023-02-13T11:53:14Z)
• Quantification of Robotic Surgeries with Vision-Based Deep Learning [45.165919577877695]
  本稿では,手術中に録画されたビデオのみを対象とする統合型ディープラーニングフレームワークRoboformerを提案する。 我々は,ミニマル侵襲型ロボット手術において,一般的な2種類のステップの4つのビデオベースデータセットに対して,我々の枠組みを検証した。
  論文  参考訳（メタデータ） (2022-05-06T06:08:35Z)
• CholecTriplet2021: A benchmark challenge for surgical action triplet recognition [66.51610049869393]
  腹腔鏡下手術における三肢の認識のためにMICCAI 2021で実施した内視鏡的視力障害であるColecTriplet 2021を提案する。 課題の参加者が提案する最先端の深層学習手法の課題設定と評価について述べる。 4つのベースライン法と19の新しいディープラーニングアルゴリズムが提示され、手術ビデオから直接手術行動三重項を認識し、平均平均精度(mAP)は4.2%から38.1%である。
  論文  参考訳（メタデータ） (2022-04-10T18:51:55Z)
• The SARAS Endoscopic Surgeon Action Detection (ESAD) dataset: Challenges and methods [15.833413083110903]
  本稿では,内視鏡下低侵襲手術における外科医の行動検出問題に取り組むための,最初の大規模データセットであるesadについて述べる。 このデータセットは、前立腺切除術中にキャプチャされた実際の内視鏡的ビデオフレーム上の21のアクションクラスに対するバウンディングボックスアノテーションを提供し、最近のMIDL 2020チャレンジのベースとして使用された。
  論文  参考訳（メタデータ） (2021-04-07T15:11:51Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。