論文の概要: CasCVS-Net: A Staged Multi-Task Cascade for Critical View of Safety Assessment

• arxiv url: http://arxiv.org/abs/2609.27681v1
• Date: Wed, 23 Sep 2026 10:56:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.982143
• Title: CasCVS-Net: A Staged Multi-Task Cascade for Critical View of Safety Assessment
• Title（参考訳）: CasCVS-Net: 安全評価の批判的視点のための段階的マルチタスクカスケード
• Abstract要約: 腹腔鏡下胆嚢摘出術におけるCVS(Critical View of Safety)の自動評価には3つのCVS基準と解剖学的根拠の認識が必要である。 本研究では,Endoscapesデータセットに基づいて学習したオブジェクト検出,セマンティックセグメンテーション,CVSアセスメントを共同で行うマルチタスク・カスケードであるCasCVS-Netを提案する。
• 参考スコア（独自算出の注目度）: 1.3006680840748224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated assessment of the Critical View of Safety (CVS) in laparoscopic cholecystectomy requires both recognition of the three CVS criteria and anatomical grounding in small, rare, and often occluded hepatocystic structures. Learning-based methods differ in the anatomical information they use, from image-level classification to detection, segmentation, or graph-based reasoning, yet grounding the safety-critical anatomy remains the main bottleneck. We propose CasCVS-Net, a staged multi-task cascade that jointly performs object detection, semantic segmentation, and CVS assessment, trained on the Endoscapes dataset. The model couples the tasks through predicted anatomy: predicted boxes guide segmentation, and predicted masks provide region-level features for CVS classification, so CVS assessment at inference uses only model predictions rather than ground-truth annotations. To reduce optimisation instability in this coupled setting, training progresses from detection to detection-segmentation and then to the full three-task cascade, followed by task-wise fine-tuning. Evaluation on the public unseen test set shows that CasCVS-Net improves over matched single-task baselines on all three tasks, achieving 32.0 detection mAP, 46.8 semantic mIoU, 15.3 rare-anatomy mIoU, and 67.2 CVS mAP. It outperforms the state-of-the-art LG-CVS and SV2LSTG by 6.3% and 4.5% relative CVS mAP, respectively, corresponding to 4.0 and 2.9 mAP points. These results show that staged task coupling through predicted boxes and masks improves anatomical grounding for CVS assessment, particularly for rare hepatocystic structures.
• Abstract（参考訳）: 腹腔鏡下胆嚢摘出術におけるCVS(Critical View of Safety)の自動評価には,3つのCVS基準の認識と,小さな,稀な,しばしば閉塞した肝嚢胞構造における解剖学的根拠の両方が必要である。 学習ベースの手法は、画像レベルの分類から検出、セグメンテーション、グラフベースの推論まで、使用する解剖学的情報において異なるが、安全クリティカルな解剖学は依然として主要なボトルネックである。 本研究では,Endoscapesデータセットに基づいて学習したオブジェクト検出,セマンティックセグメンテーション,CVSアセスメントを共同で行うマルチタスク・カスケードであるCasCVS-Netを提案する。 予測ボックスガイドセグメンテーションと予測マスクは、CVS分類のための領域レベルの特徴を提供するので、推論におけるCVSアセスメントは、地平線アノテーションよりもモデル予測のみを使用する。 この結合環境での最適化の不安定さを軽減するため、トレーニングは検出から検出セグメンテーション、そして完全な3タスクカスケードに進み、タスクワイドの微調整が行われる。 公開未確認テストセットの評価によると、CasCVS-Netは3つのタスクで一致したシングルタスクベースラインよりも改善され、32.0検出mAP、46.8セマンティックmIoU、15.3レア解剖mIoU、67.2CVSmAPを達成した。 最先端のLG-CVSとSV2LSTGをそれぞれ6.3%、相対的なCVS mAPを4.0および2.9 mAPポイントで上回っている。 以上の結果から,予測ボックスとマスクによる段階的タスクカップリングがCVS評価,特に稀な肝嚢胞構造において解剖学的根拠を改善することが示唆された。

関連論文リスト

• OVS-DINO: Open-Vocabulary Segmentation via Structure-Aligned SAM-DINO with Language Guidance [53.45125687428705]
  Open-Vocabularyは、セマンティック記述を活用することで、定義済みのカテゴリセットを超えてイメージ領域を分割することを目的としている。 近年の取り組みは、これらの制限を軽減するために、DINOのようなVision Foundation Models (VFM) を取り入れている。 我々は,構造アライメントを通じてDINOの潜在エッジ感度を活性化する新しいフレームワークであるOVS-DINOを提案する。
  論文  参考訳（メタデータ） (2026-04-09T16:57:11Z)
• Depth-Sequence Transformer (DST) for Segment-Specific ICA Calcification Mapping on Non-Contrast CT [38.85617601239779]
  従来の3Dモデルは、縮小されたボリュームや分離されたパッチを処理せざるを得ない。 我々は,3次元課題を1次元軸方向に沿ったtextbfParallel Probabilistic Landmark Localizationタスクとして再構成する。 フル解像度CTボリュームを2次元スライスシーケンスとして処理するフレームワークである textbfDepth-Sequence Transformer (DST) を提案する。
  論文  参考訳（メタデータ） (2025-07-10T23:12:12Z)
• Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology [64.46054930696052]
  敵対的攻撃は、医療のような重要な分野におけるビジョンモデルに重大な課題をもたらす。 既存の自己監督型逆行訓練手法は、病理像の階層構造を見落としている。 本稿では,これらの特性を活かした階層型自己監督適応訓練(HSAT)を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:59:47Z)
• Automated Assessment of Critical View of Safety in Laparoscopic Cholecystectomy [51.240181118593114]
  胆嚢摘出術(胆嚢摘出術)は米国で最も一般的な手術の一つで、年間1.2万回以上の手術が施行されている。 LCは胆管損傷(BDI)の増加と関連しており、致死率と死亡率が高い。 本稿では,LCにおける安全性評価(CVS)の自動化を目的とした深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-09-13T22:01:36Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI [36.044984400761535]
  本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。 解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。 3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T15:00:59Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• SVS-net: A Novel Semantic Segmentation Network in Optical Coherence Tomography Angiography Images [0.0]
  この研究は、セグメンテーションを行う際にOCTA画像からスペックルノイズアーティファクトを除去することに焦点を当てた。 スペックルノイズはOCTAで一般的であり、特に大きな非灌流領域で顕著である。 SVS-netは、他のよく知られたモデルと比較して精度、リコール、F1スコア、Kappaスコアが向上した。
  論文  参考訳（メタデータ） (2021-04-14T19:19:17Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。