論文の概要: Action-grounded tissue affordance enables anticipatory auto-framing that lowers surgeon cognitive workload during laparoscopic surgery

• arxiv url: http://arxiv.org/abs/2608.02471v1
• Date: Mon, 03 Aug 2026 16:38:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.710844
• Title: Action-grounded tissue affordance enables anticipatory auto-framing that lowers surgeon cognitive workload during laparoscopic surgery
• Title（参考訳）: 腹腔鏡下手術における患者の認知負荷を減少させる行動場組織空洞による予測オートフレーミング
• Abstract要約: DiffeoAffordは、外科手術の完了から視覚的注意を遡及的に引き起こす、アクショングラウンドド・ティッシュ・アベイランス・フレームワークである。 空きホットスポットラベルに基づいてトレーニングされたリアルタイム予測モデルは、関連する外科領域を予測し、腹腔鏡視用補助自動フレーミングシステムであるAffordViewを実現する。
• 参考スコア（独自算出の注目度）: 16.980132212521536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational attention models could help surgeons manage the visual demands of laparoscopy, but they require dense spatial labels that are difficult to obtain because surgical intent is highly specialized and tacit. Here, we introduce DiffeoAfford, an action-grounded tissue affordance framework that retrospectively derives visual attention supervision from completed surgical procedures. By combining diffeomorphism-constrained tissue tracking with instrument trajectory analysis, DiffeoAfford generates affordance hotspot labels without manual per-frame annotation. A real-time prediction model trained on these labels anticipates relevant surgical regions and enables AffordView, an assistive auto-framing system for laparoscopic visualization. The proposed framework aligns with expert annotations and intraoperative surgeon gaze, and reduces surgeon cognitive workload during real-world evaluations using subjective, physiological, and behavioral measures.
• Abstract（参考訳）: 計算的注意モデルは、外科医が腹腔鏡の視覚的要求を管理するのに役立つが、外科的意図が高度に専門的で暗黙的であるため、入手が難しい密集した空間ラベルを必要とする。 そこで我々はDiffeoAffordというアクショングラウンドド・ティッシュ・アベイランス・フレームワークを紹介した。 DiffeoAffordは、微分同相制約された組織追跡と計器軌道分析を組み合わせることで、手動のフレーム単位のアノテーションを使わずに、手頃なホットスポットラベルを生成する。 これらのラベルに基づいてトレーニングされたリアルタイム予測モデルは、関連する外科領域を予測し、腹腔鏡下可視化のための補助自動フレーミングシステムであるAffordViewを実現する。 提案フレームワークは,専門家のアノテーションや術中外科医の視線と一致し,主観的,生理的,行動的尺度を用いた実世界の評価において,外科医の認知負荷を低減する。

関連論文リスト

• Beyond Instrument Motion: Recognizing Tissue Tension Toward Surgical Skill Assessment [36.50919068544186]
  腹腔鏡下およびロボット支援直腸癌手術のための新しい臨床的動機付けビデオ理解タスクである組織張力認識を導入した。 このタスクを支援するために,最初の専門家による組織張力データセットであるSurgTensionを構築した。 また,スパース点軌道から組織張力をモデル化する軽量なトラジェクトリベースフレームワークであるTensionTRACを提案する。
  論文  参考訳（メタデータ） (2026-08-18T15:56:08Z)
• First Investigation of Deep Learning for Intraoperative Gauze Segmentation in Minimally Invasive Abdominal Surgery [3.258646009285695]
  ロボットによる最小侵襲腹手術における深層学習法の有用性について検討した。 トレーニングデータは、リアルな外科的設定を反映し、空間的、形態的、視覚的特性の幅広い多様性を捉えます。 本研究は, 現実的な臨床環境下でのガウズセグメンテーションの概念実証のために, 広く利用されているセグメンテーションアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2026-07-31T08:03:47Z)
• SurgAM: Surgical Affordance Map Prediction with Multimodal Feature Fusion for Robot Autonomy [24.007662271891277]
  本稿では,視覚的データから基本的な手術行動のための動作可能な領域を識別する手術手当予測手法を提案する。 自己監督型視覚変換器エンコーダの相補的強度を利用する適応型特徴融合フレームワークを提案する。 シーン誘導型アテンションデコーダを提案する。
  論文  参考訳（メタデータ） (2026-07-05T16:12:01Z)
• Attachment Anchors: A Novel Framework for Laparoscopic Grasping Point Prediction in Colorectal Surgery [19.147229560255]
  大腸外科手術における組織と解剖学的アタッチメントとの局所的な幾何学的および機械的関係をエンコードする構造的表現であるアタッチメントアンカーを導入する。 この表現は、外科シーンを一貫した局所参照フレームに正規化することで、ポイント予測の把握の不確実性を減少させる。 90の大腸手術データセットを用いた実験では、アタッチメントアンカーは画像のみのベースラインよりも把握点予測を改善することが示された。
  論文  参考訳（メタデータ） (2026-02-19T12:19:56Z)
• Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
  経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。 まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
  論文  参考訳（メタデータ） (2025-07-22T13:24:45Z)
• Benchmarking Laparoscopic Surgical Image Restoration and Beyond [54.28852320829451]
  腹腔鏡下手術では、明瞭で高品質な視野が外科医の正確な判断に不可欠である。 持続的な視覚劣化、例えば、エネルギー装置によって発生する煙、熱勾配から光るレンズ、およびレンズ汚染は患者の安全に危険をもたらす。 本稿では,SurgCleanと呼ばれる腹腔鏡下環境を対象とするオープンソースの手術画像復元データセットについて紹介する。
  論文  参考訳（メタデータ） (2025-05-25T14:17:56Z)
• Surgical Foundation Model Leveraging Compression and Entropy Maximization for Image-Guided Surgical Assistance [50.486523249499115]
  低侵襲手術(MIS)におけるリアルタイム映像理解の重要性 手術ビデオからコンパクトで情報的表現を学習するための,新しい自己教師型フレームワークであるCompress-to-Explore (C2E)を提案する。 C2Eは、エントロピー最大化デコーダを使用して、臨床的に関連する詳細を保持しながら画像を圧縮し、ラベル付きデータなしでエンコーダのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2025-05-16T14:02:24Z)
• 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)
• SURGIVID: Annotation-Efficient Surgical Video Object Discovery [42.16556256395392]
  手術シーンのセマンティックセグメンテーションのためのアノテーション効率のよいフレームワークを提案する。 我々は,画像に基づく自己監督型物体発見法を用いて,外科的ビデオにおいて最も有能なツールや解剖学的構造を同定する。 完全教師付きセグメンテーションモデルを用いて,36のアノテーションラベルで強化した無教師付きセットアップでは,同程度のローカライゼーション性能を示す。
  論文  参考訳（メタデータ） (2024-09-12T07:12:20Z)
• Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
  リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。 第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。 第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
  論文  参考訳（メタデータ） (2024-04-12T20:39:19Z)
• 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)
• Action Recognition in Video Recordings from Gynecologic Laparoscopy [4.002010889177872]
  行動認識は腹腔鏡画像解析における多くの応用の前提条件である。 本研究では,CNN-RNNアーキテクチャと,カスタマイズしたトレーニング推論フレームワークの設計と評価を行う。
  論文  参考訳（メタデータ） (2023-11-30T16:15:46Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)

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。