論文の概要: CoRe-DA: Contrastive Regression for Unsupervised Domain Adaptation in Surgical Skill Assessment

• arxiv url: http://arxiv.org/abs/2603.29666v1
• Date: Tue, 31 Mar 2026 12:26:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.644236
• Title: CoRe-DA: Contrastive Regression for Unsupervised Domain Adaptation in Surgical Skill Assessment
• Title（参考訳）: CoRe-DA: 整形外科的スキルアセスメントにおける非教師なし領域適応に対するコントラスト回帰
• Authors: Dimitrios Anastasiou, Razvan Caramalau, Jialang Xu, Runlong He, Freweini Tesfai, Matthew Boal, Nader Francis, Danail Stoyanov, Evangelos B. Mazomenos,
• Abstract要約: 視覚に基づく外科的スキルアセスメント(SSA)は,手術成績の客観的かつスケーラブルな評価を可能にする。 CoRe-DAは、新しいコントラストレグレッションベースの適応フレームワークである。 本手法は,相対スコアと目標ドメインの自己学習を通して,ドメイン不変表現を学習する。
• 参考スコア（独自算出の注目度）: 8.125071490115403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-based surgical skill assessment (SSA) enables objective and scalable evaluation of operative performance. Progress in this field is constrained by the high cost and time demands for manual annotation of quantitative skill scores, as well as the poor generalization of existing regression models to new surgical tasks and environments. Meanwhile, appreciable volumes of unlabeled video data are now available, motivating the development of unsupervised domain adaptation (UDA) methods for SSA. We introduce the first benchmark for UDA in SSA regression, spanning four datasets across dry-lab and clinical settings as well as open and robotic surgery. We evaluate eight representative models under challenging domain shifts and propose CoRe-DA, a novel contrastive regression-based adaptation framework. Our method learns domain-invariant representations through relative-score supervision and target-domain self-training. Comprehensive experiments across two UDA settings show that CoRe-DA is superior to state-of-the-art methods, achieving Spearman Correlation Coefficients of 0.46 and 0.41 on dry-lab and clinical target datasets, respectively, without using any labeled target data for training. Overall, CoRe-DA enables scalable SSA with reliable cross-domain generalization, where existing methods underperform. Our code and datasets will be released at https://github.com/anastadimi/CoRe-DA.
• Abstract（参考訳）: 視覚に基づく外科的スキルアセスメント(SSA)は,手術成績の客観的かつスケーラブルな評価を可能にする。 この分野の進歩は、量的スキルスコアのマニュアルアノテーションの高コストと時間的要求、および新しい外科的タスクや環境への既存の回帰モデルの貧弱な一般化によって制約されている。 一方,SSA のためのunsupervised domain adaptation (UDA) 手法の開発が動機となっている。 SSAレグレッションにおけるUDAの最初のベンチマークを導入し、ドライラブと臨床環境の4つのデータセットにまたがり、オープンおよびロボット手術を行った。 ドメインシフトに挑戦する8つの代表モデルを評価し、新しいコントラッシブ回帰に基づく適応フレームワークであるCoRe-DAを提案する。 本手法は,相対スコアと目標ドメインの自己学習を通して,ドメイン不変表現を学習する。 2つのUDA設定の総合的な実験により、CoRe-DAは最先端の手法よりも優れていることが示され、訓練にラベル付きターゲットデータを用いることなく、ドライラブと臨床ターゲットデータセットでそれぞれ0.46と0.41のスピアマン相関係数が達成された。 全体として、CoRe-DAは信頼性の高いクロスドメインの一般化によるスケーラブルなSSAを実現する。 コードとデータセットはhttps://github.com/anastadimi/CoRe-DA.orgで公開されます。

関連論文リスト

• Exploring Pre-training Across Domains for Few-Shot Surgical Skill Assessment [6.796181867667279]
  自動手術スキルアセスメント(SSA)は、外科的コンピュータビジョンにおける中心的な課題である。 ほとんどショットなしの学習は、最小限の監督でモデル開発を可能にするスケーラブルな代替手段を提供する。 いくつかの外科的下流のタスクについて広く研究されているが、事前訓練はSSAでは未調査のままである。
  論文  参考訳（メタデータ） (2025-09-11T10:23:19Z)
• RICO: Two Realistic Benchmarks and an In-Depth Analysis for Incremental Learning in Object Detection [54.194199777900934]
  インクリメンタルラーニング(IL)は、完全なリトレーニングなしで、プライバシ、効率、スケーラビリティを提供する新しいデータ上で、逐次モデルをトレーニングする。 ドメイン RICO (D-RICO) は固定クラスセットでドメインシフトを特徴とし、拡張クラス RICO (EC-RICO) はILステップ毎に新しいドメインとクラスを統合する。 実験の結果,全てのILメソッドは適応性や保持性に劣るものの,前回の少量のデータ再生は全メソッドを上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-08-19T14:42:19Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• Day-Night Adaptation: An Innovative Source-free Adaptation Framework for Medical Image Segmentation [51.520294290813865]
  そこで我々は,DyNA(Day-Night Adaptation)と呼ばれる新しい適応フレームワークを提案する。 日中は、各テストサンプルに凍結モデルを適用するために、低周波プロンプトが訓練される。 夜間,日中から収集したテストデータを再利用し,教師モデルと学生モデルとの知識を橋渡しするグローバルな学生モデルを導入する。
  論文  参考訳（メタデータ） (2024-10-17T12:02:29Z)
• ReCAP: Recursive Cross Attention Network for Pseudo-Label Generation in Robotic Surgical Skill Assessment [40.09498356923132]
  外科的スキル評価において、OATS(Objective Assessments of Technical Skills)とGRS(Global Rating Scale)は、訓練中の外科医を評価するための確立されたツールである。 最近の研究は、運動データ、ビデオ、またはそれらの組み合わせからGRSスコアを回帰することに焦点を当てている。 我々は,OSATSのスコアを集計し,外科的臨床試験において臨床的に有意な変動を見落としているため,GRSのみの回帰は限界であると主張している。
  論文  参考訳（メタデータ） (2024-04-22T10:33:06Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• Can We Evaluate Domain Adaptation Models Without Target-Domain Labels? [36.05871459064825]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル豊富なソースドメインでトレーニングされたモデルをラベルなしのターゲットドメインに適応させる。 現実のシナリオでは、ターゲットドメインラベルがないため、UDAモデルの性能を評価するのは難しい。 これらの問題に対処するため,textitTransfer Scoreと呼ばれる新しいメトリクスを提案する。
  論文  参考訳（メタデータ） (2023-05-30T03:36:40Z)

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。