論文の概要: StenoVLA-3D: 3D-Aware Reasoning VLA for Navigation Through Gastrointestinal Stenoses
- arxiv url: http://arxiv.org/abs/2609.24187v1
- Date: Mon, 21 Sep 2026 06:59:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.110286
- Title: StenoVLA-3D: 3D-Aware Reasoning VLA for Navigation Through Gastrointestinal Stenoses
- Title（参考訳）: StenoVLA-3D:3D-Aware Reasoning VLA for Navigation through gastrointestinal Stenoses
- Abstract要約: 狭窄領域をナビゲートする3D対応VLAフレームワークであるStenoVLA-3Dを紹介する。
本症例では, 頭部の狭窄形態を推定し, 最終病変を報告するとともに, 動作による起立を予測した。
物理的な3-DoF内視鏡では、食道と大腸の幻孔において88.9%と77.8%のタスクが成功している。
- 参考スコア（独自算出の注目度）: 10.804093699252192
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous endoscopic navigation requires the policy model to predict actions from texture-poor monocular observations, make safe control decisions, and retain evidence of lesions after they leave the field of view. Existing vision-language-action (VLA) models primarily rely on visual appearance and short-term context, limiting geometric grounding and episode-level reporting. We introduce StenoVLA-3D, a 3D-aware VLA framework for navigating through stenotic regions. We integrate point-maps into the Cosmos-Reason 2 backbone through learned geometry-gated fusion, and also propose a temporal state branch to model traversal progress. Our reasoning-and-action backbone predicts grounded reasoning with actions, while dedicated heads estimate stenosis shape and generate the final lesion report. We further introduce EndoCausal, an episode-level dataset with lesion annotations, actions, and temporally grounded reasoning. On 40 held-out recorded test episodes, StenoVLA-3D reaches 95.2\% semantic accuracy and 83.4\% action accuracy. On the physical 3-DoF endoscope, it attains 88.9\% and 77.8\% task success in esophageal and colonic phantoms (36 trials each), substantially outperforming the evaluated baselines.
- Abstract（参考訳）: 自律的内視鏡ナビゲーションは、テクスチャを欠いた単分子の観察から行動を予測するためのポリシーモデルを必要とし、安全な制御決定を行い、視野から離れた後に病変の証拠を保持する。
既存の視覚言語アクション(VLA)モデルは主に視覚的外観と短期的文脈に依存し、幾何学的接地とエピソードレベルの報告を制限する。
狭窄領域をナビゲートする3D対応VLAフレームワークであるStenoVLA-3Dを紹介する。
我々は、学習された幾何ゲート融合を通じて、ポイントマップをCosmos-Reason 2のバックボーンに統合し、また、横断進行をモデル化するための時間的状態分岐を提案する。
本症例では, 頭部の狭窄形態を推定し, 最終病変を報告するとともに, 動作による起立を予測した。
さらに、病変アノテーション、アクション、時間的根拠に基づく推論を備えたエピソードレベルのデータセットであるEndoCausalを紹介した。
40回記録されたテストエピソードでは、StenoVLA-3Dは95.2\%のセマンティック精度と83.4\%のアクション精度に達した。
物理的3-DoF内視鏡では、食道および大腸ファントム(それぞれ36治験)において、88.9\%と77.8\%のタスク成功を達成し、評価基準線を大幅に上回っている。
関連論文リスト
- LIBERO-VPro: Benchmarking Closed-Loop Visual Robustness of Robotic Foundation Models [61.038310084204056]
本稿では,ロボット基礎モデルの閉ループ視覚的堅牢性を評価するためのベンチマークであるLIBERO-VProを紹介する。
約196,000回にわたって3つの視覚言語行動モデルと3つの世界行動モデルを評価した。
以上の結果から,強い名目性能は視覚的接地や適応において重大な弱点を隠蔽する可能性が示唆された。
論文 参考訳（メタデータ） (2026-09-21T09:43:41Z) - Modeling Clinical Workflow for SYNTAX Scoring from Coronary Angiography Videos [73.50200033931148]
我々はSynTAXスコアを血管セグメントのアイデンティティ保存解剖学的推論問題として再構成する。
本手法は, 骨・骨・骨・骨・骨の骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨
論文 参考訳（メタデータ） (2026-09-20T11:08:19Z) - How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。
このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
論文 参考訳（メタデータ） (2026-08-13T14:35:20Z) - EndoMD-SLAM: Endoscopic Gaussian Splatting SLAM under Optical Degradation with Memory and Static-Transient Decomposition [46.23526592715223]
EndoMD-SLAMは光学劣化下での安定性を維持するために設計されたフレームワークである。
トラッキング側では、メモリ駆動のゲーティング機構が信頼性の低い観測を検出してマップ更新を停止する。
マッピング側では、自己教師付き静的-過渡分解により、視覚汚染物質を専用の過渡場に分離する。
論文 参考訳（メタデータ） (2026-08-09T22:59:01Z) - GLeVE: Graph-Guided Lesion Grounding with Proposal Verification in 3D CT [16.979389238358937]
臨床診断には3次元CTボリュームへの地中X線検査報告の記載が不可欠である。
既存のレポート支援および視覚言語基底法は、フレーズレベルのアライメントや高密度画素監督に依存している。
解剖学的事前検証とオクツリーによる自己回帰的改善を併用したグラフ誘導型病変基盤フレームワークであるGLeVEを提案する。
論文 参考訳（メタデータ） (2026-05-21T15:30:41Z) - Preoperative-to-intraoperative Liver Registration for Laparoscopic Surgery via Latent-Grounded Correspondence Constraints [51.7011449975586]
Land-Regは変形可能な登録フレームワークで、潜伏した2D-3Dのランドマーク対応を学習する。
厳格な登録のために、Land-Regはクロスモーダルラテントアライメントモジュールを採用している。
類似性マッチングを持つ不確実なオーバーラップランドマーク検出器を提案し, 明確な2D-3Dランドマーク対応を強く推定する。
論文 参考訳（メタデータ） (2026-03-02T10:44:03Z) - Enhanced Landmark Detection Model in Pelvic Fluoroscopy using 2D/3D Registration Loss [1.6420503030062876]
U-Netランドマーク予測モデルのトレーニングに2D/3Dランドマーク登録を組み込んだ新しいフレームワークを提案する。
実際の術中条件下では,ベースラインのU-Net,Pose Estimation Lossで訓練したU-Net,Pose Estimation Lossで微調整したU-Netのランドマーク検出精度を比較して,性能差を解析した。
論文 参考訳（メタデータ） (2025-11-26T16:50:06Z) - 3D Universal Lesion Detection and Tagging in CT with Self-Training [3.68620908362189]
本研究では,3次元病変を検知し,身体部位に応じてタグ付けするための自己学習パイプラインを提案する。
私たちの知る限り、私たちは初めて3Dの病変を共同で検出し、身体のラベルに従ってタグ付けしました。
論文 参考訳（メタデータ） (2025-04-07T15:50:27Z) - X-GAN: A Generative AI-Powered Unsupervised Model for Main Vessel Segmentation of Glaucoma Screening [11.459516516888966]
本稿では,OCTA画像から主血管を抽出するAIを用いた非教師付きセグメンテーションモデルであるX-GANを提案する。
X-GANはラベル付きデータや高性能コンピューティングリソースに頼ることなく、100%近いセグメンテーション精度を達成する。
論文 参考訳（メタデータ） (2025-03-09T19:56:36Z) - KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。
我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。
提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文 参考訳（メタデータ） (2024-10-28T16:00:42Z) - Occlusion-Aware 3D Motion Interpretation for Abnormal Behavior Detection [10.782354892545651]
我々は,メッシュ頂点とヒト関節の3次元座標をモノクロビデオから再構成し,運動異常を識別するOAD2Dを提案する。
動作特徴の定量化にVQVAEを用いるM2Tモデルと組み合わせることで、異常姿勢推定を再構成する。
本研究は, 重度・自己閉塞性に対する異常行動検出のロバスト性を示すものである。
論文 参考訳（メタデータ） (2024-07-23T18:41:16Z)
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。