論文の概要: S3-Tracker: Self-Supervised Surgical Tissue Tracking With Contrastive Random Walks

• arxiv url: http://arxiv.org/abs/2609.14313v1
• Date: Sun, 13 Sep 2026 06:17:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.790779
• Title: S3-Tracker: Self-Supervised Surgical Tissue Tracking With Contrastive Random Walks
• Title（参考訳）: S3-Tracker:コントラスト的ランダムウォークによる自己監督型外科組織追跡
• Abstract要約: 本研究では,大域的な画素対応を確立し,反対のランダムウォークを通して点軌跡を推定することにより,ラベルのない手術ビデオから学習する自己教師付きトラック・アニーポイントアプローチを提案する。 アノテーションを使わずにトレーニングし,組織変形を暗黙的に処理しながら,既存の半教師ありアプローチに匹敵する性能を実現する。
• 参考スコア（独自算出の注目度）: 7.730246056950143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust point tracking in endoscopic videos is essential for computer-assisted intervention and autonomous robotic surgery, enabling continuous registration between intraoperative video and preoperative imaging despite soft tissue deformation. However, supervised tracking methods depend on large annotated datasets, while surgical conditions make reliable trajectory annotation challenging. We propose a self-supervised Track-Any-Point approach that learns from unlabeled surgical videos by establishing global pixel correspondences and inferring point trajectories through contrastive random walks. Trained without annotations, our method achieves performance comparable to existing semi-supervised approaches while implicitly handling tissue deformation. These findings demonstrate the feasibility of self-supervised point tracking in surgical environments and its potential to reduce reliance on annotated data.
• Abstract（参考訳）: 内視鏡的ビデオにおけるロバスト点追跡は, 軟部組織の変形にもかかわらず, 術中ビデオと術前画像との連続的な登録を可能にする, コンピュータ支援的介入と自律ロボット手術に不可欠である。 しかし、教師付き追跡法は大きな注釈付きデータセットに依存し、手術条件は信頼性の高い軌跡アノテーションを困難にしている。 本研究では,大域的な画素対応を確立し,反対のランダムウォークを通して点軌跡を推定することにより,ラベルのない手術ビデオから学習する自己教師付きトラック・アニーポイントアプローチを提案する。 アノテーションを使わずにトレーニングし,組織変形を暗黙的に処理しながら,既存の半教師ありアプローチに匹敵する性能を実現する。 これらの結果から, 手術環境における自己監督点追跡の可能性と, 注釈付きデータへの依存を軽減できる可能性が示唆された。

関連論文リスト

• Training-free Temporal Object Tracking in Surgical Videos [20.689670966095097]
  腹腔鏡下胆嚢摘出術(LC)手術ビデオにおけるオンライン物体追跡のための新しいアプローチを提案する。 提案手法は,既存のデータセットに固有の,コストの高いピクセルレベルのアノテーションとラベルの不整合の課題に対処する。
  論文  参考訳（メタデータ） (2026-03-08T23:09:16Z)
• SurgAtt-Tracker: Online Surgical Attention Tracking via Temporal Proposal Reranking and Motion-Aware Refinement [45.37105164372227]
  SurgAtt-Trackerは外科的注意をしっかり追跡する総合的なフレームワークである。 複数の外科的データセットの実験は、SurgAtt-Trackerが一貫して最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-02-24T07:30:51Z)
• When Tracking Fails: Analyzing Failure Modes of SAM2 for Point-Based Tracking in Surgical Videos [0.43981305860983705]
  腹腔鏡下胆嚢摘出術ビデオにおけるポイントベーストラッキングの障害モードを系統的に解析した。 以上の結果から, ポイントベーストラッキングは外科的ツールと競合するが, 解剖学的対象には不適合であることが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-02T15:06:49Z)
• Monocular Marker-free Patient-to-Image Intraoperative Registration for Cochlear Implant Surgery [4.250558597144547]
  本フレームワークは単分子型外科顕微鏡とシームレスに統合され,追加のハードウェア依存や要件を伴わずに臨床応用に極めて有用である。 以上より, 術中CTスキャンを2次元の手術シーンに登録し, 角誤差が10度以内の症例では, 6次元カメラの撮影位置の予測に臨床的に関連性があることが示唆された。
  論文  参考訳（メタデータ） (2025-05-23T21:15:00Z)
• Tracking Everything in Robotic-Assisted Surgery [39.62251870446397]
  そこで我々は,手術シナリオに対するベンチマーク追跡のための注釈付き手術追跡データセットを提案する。 我々は,このデータセット上で最先端(SOTA)のTAPベースのアルゴリズムを評価し,その限界を明らかにする。 本稿では,新たなトラッキング手法であるSurgMotionを提案し,その課題の解決とトラッキング性能の向上を図る。
  論文  参考訳（メタデータ） (2024-09-29T23:06:57Z)
• 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)
• Pseudo-label Guided Cross-video Pixel Contrast for Robotic Surgical Scene Segmentation with Limited Annotations [72.15956198507281]
  シーンセグメンテーションを促進するために,新しい擬似ラベル付きクロスビデオコントラスト学習法であるPGV-CLを提案する。 本研究では,ロボット外科手術データセットEndoVis18と白内障手術データセットCaDISについて検討した。
  論文  参考訳（メタデータ） (2022-07-20T05:42:19Z)
• Crop-Transform-Paste: Self-Supervised Learning for Visual Tracking [137.26381337333552]
  本研究では,十分なトレーニングデータを合成できるCrop-Transform-Paste演算を開発した。 オブジェクトの状態はすべての合成データで知られているので、既存のディープトラッカーは人間のアノテーションなしで日常的に訓練することができる。
  論文  参考訳（メタデータ） (2021-06-21T07:40:34Z)
• Relational Graph Learning on Visual and Kinematics Embeddings for Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
  本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。 本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
  論文  参考訳（メタデータ） (2020-11-03T11:00:10Z)
• 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。