論文の概要: Multi-modal Representation Fusion for Long-term Microsurgical Anastomosis Trajectory Anticipation

• arxiv url: http://arxiv.org/abs/2610.14492v1
• Date: Sat, 10 Oct 2026 02:39:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 13:17:01.573192
• Title: Multi-modal Representation Fusion for Long-term Microsurgical Anastomosis Trajectory Anticipation
• Title（参考訳）: 長期微小縫合路路予測のためのマルチモーダル表現融合法
• Abstract要約: 本稿では,2Dおよび3Dマイクロサージカル・アナストローシス・トラジェクトリー予測のためのクロスモーダルな特徴融合フレームワークを提案する。 手術対象のセマンティック認識と連続的な動作推定は多モード視覚的手がかりとして組み込まれている。 提案手法は既存の手法を一貫して上回り, 異なる手術シーンにおける堅牢性の向上を図っている。
• 参考スコア（独自算出の注目度）: 14.682695673906887
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Microsurgical anastomosis is one of the most challenging and sophisticated procedures for surgical robotics, requiring accurate manipulation of surgical instruments within a limited space to achieve precise operations. Accurate surgical trajectory anticipation is essential for surgical scene understanding, intraoperative planning, robotic manipulation, and reliable behaviour analysis. However, existing approaches mainly focus on features extracted from surgical videos and historical trajectories, while overlooking rich semantic and motion information that can provide more discriminative multi-modal representations for complex surgical instrument-tissue interactions. In this work, we propose a cross-modal feature fusion framework for long-term 2D and 3D microsurgical anastomosis trajectory anticipation. The proposed framework consists of a multi-modal representation extractor and a cross-modal feature fusion network. Semantic recognition of surgical objects and consecutive motion estimation are incorporated as multi-modal visual cues, providing complementary spatial and temporal guidance for instrument-tissue interaction characterization. A coarse-to-fine progressive fusion strategy with a long-short-term memory mechanism is introduced to capture temporal dependencies step by step. The training and evaluation are conducted on our established robotic platform and a comprehensive dataset containing both phantom and ex-vivo surgical scenarios is constructed. Extensive quantitative and qualitative experiments demonstrate that the proposed framework consistently outperforms existing methods and exhibits improved robustness across different surgical scenes, highlighting its potential for both intelligent robot-assisted and autonomous surgical systems.
• Abstract（参考訳）: 微小縫合術は外科ロボティクスの最も困難かつ洗練された手術の1つであり、正確な手術を行うには限られた空間内で手術器具を正確に操作する必要がある。 正確な外科的軌跡予測は外科的シーン理解,術中計画,ロボット操作,信頼性のある行動解析に不可欠である。 しかし、既存のアプローチは、外科的ビデオや歴史的軌跡から抽出した特徴に重点を置いている一方で、複雑な外科的機器と組織的相互作用に対してより差別的なマルチモーダル表現を提供するような、より豊かな意味と運動情報を見越している。 そこで本研究では,長期2次元および3次元マイクロサージカル・アナストローシス・トラジェクトリー予測のためのクロスモーダル・フュージョン・フレームワークを提案する。 提案するフレームワークはマルチモーダル表現抽出器とクロスモーダル特徴融合ネットワークから構成される。 外科的対象のセマンティック認識と連続的な動作推定を多モーダルな視覚的手がかりとして組み込んで,機器間相互作用特性の相補的空間的および時間的ガイダンスを提供する。 時間的依存関係を段階的にキャプチャするために、長期記憶機構を備えた粗大で微細なプログレッシブ融合戦略を導入する。 確立したロボットプラットフォーム上でトレーニングと評価を行い,ファントムとイビオの手術シナリオを含む包括的データセットを構築した。 大規模な定量的および定性的実験により、提案されたフレームワークは既存の手法を一貫して上回り、異なる手術シーンにおける堅牢性の向上を示し、インテリジェントなロボット支援と自律的な手術システムの可能性を強調している。

関連論文リスト

• Hierarchical Curriculum Learning for Surgical Video Generation: Focusing on Bilateral Axillo-Breast Approach Robotic Thyroidectomy Datasets [6.23795412946916]
  高忠実度手術ビデオ生成は、外科教育、シミュレーション、下流AIトレーニングにおいてますます重要になっている。 本稿では,階層型手続きアノテーションとカリキュラム転送学習を組み合わせた手術用ビデオ生成フレームワークを提案する。 バイラテラルAxillo-Breast Approachロボット甲状腺摘出術の枠組みについて検討した。
  論文  参考訳（メタデータ） (2026-10-13T04:07:21Z)
• 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)
• SurgLLM: A Versatile Large Multimodal Model with Spatial Focus and Temporal Awareness for Surgical Video Understanding [75.00667948967848]
  SurgLLMフレームワークは、多用途の手術ビデオ理解タスクに適した、大規模なマルチモーダルモデルである。 外科的ビデオの空間的焦点を高めるために,SurgLLMの動画エンコーダのためのSurg-Pretraining(Surg-Pretraining)を最初に考案した。 外科的時間的知識をSurgLLMに組み込むため, インターリーブ型マルチモーダル埋め込みによる時間的推論を改善するために, 時間的対応型マルチモーダルチューニング(TM-Tuning)を提案する。
  論文  参考訳（メタデータ） (2025-08-30T04:36:41Z)
• SurgVidLM: Towards Multi-grained Surgical Video Understanding with Large Language Model [67.8359850515282]
  SurgVidLMは、完全かつきめ細かい外科的ビデオ理解に対処するために設計された最初のビデオ言語モデルである。 我々は,SurgVidLMが,映像理解タスクと細粒度ビデオ理解タスクの両方において,同等のパラメータスケールの最先端のVid-LLMを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-06-22T02:16:18Z)
• Phase-Specific Augmented Reality Guidance for Microscopic Cataract Surgery Using Long-Short Spatiotemporal Aggregation Transformer [14.568834378003707]
  乳化白内障手術(英: Phaemulsification cataract surgery, PCS)は、外科顕微鏡を用いた外科手術である。 PCS誘導システムは、手術用顕微鏡映像から貴重な情報を抽出し、熟練度を高める。 既存のPCSガイダンスシステムでは、位相特異なガイダンスに悩まされ、冗長な視覚情報に繋がる。 本稿では,認識された手術段階に対応するAR情報を提供する,新しい位相特異的拡張現実(AR)誘導システムを提案する。
  論文  参考訳（メタデータ） (2023-09-11T02:56:56Z)
• Visual-Kinematics Graph Learning for Procedure-agnostic Instrument Tip Segmentation in Robotic Surgeries [29.201385352740555]
  そこで我々は,様々な外科手術を施した楽器の先端を正確に分類する新しいビジュアル・キネマティクスグラフ学習フレームワークを提案する。 具体的には、画像とキネマティクスの両方から楽器部品のリレーショナル特徴を符号化するグラフ学習フレームワークを提案する。 クロスモーダル・コントラッシブ・ロスは、キネマティクスからチップセグメンテーションのイメージへの頑健な幾何学的先行を組み込むように設計されている。
  論文  参考訳（メタデータ） (2023-09-02T14:52:58Z)
• GLSFormer : Gated - Long, Short Sequence Transformer for Step Recognition in Surgical Videos [57.93194315839009]
  本稿では,シーケンスレベルのパッチから時間的特徴を直接学習するための視覚変換器に基づくアプローチを提案する。 本研究では,白内障手術用ビデオデータセットである白内障-101とD99に対するアプローチを広範に評価し,各種の最先端手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2023-07-20T17:57:04Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• Multimodal Semantic Scene Graphs for Holistic Modeling of Surgical Procedures [70.69948035469467]
  カメラビューから3Dグラフを生成するための最新のコンピュータビジョン手法を利用する。 次に,手術手順の象徴的,意味的表現を統一することを目的としたマルチモーダルセマンティックグラフシーン(MSSG)を紹介する。
  論文  参考訳（メタデータ） (2021-06-09T14:35:44Z)
• 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)

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。