論文の概要: Hierarchical Curriculum Learning for Surgical Video Generation: Focusing on Bilateral Axillo-Breast Approach Robotic Thyroidectomy Datasets

• arxiv url: http://arxiv.org/abs/2610.17684v1
• Date: Tue, 13 Oct 2026 04:07:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 17:45:43.154147
• Title: Hierarchical Curriculum Learning for Surgical Video Generation: Focusing on Bilateral Axillo-Breast Approach Robotic Thyroidectomy Datasets
• Title（参考訳）: 手術用ビデオ生成のための階層的カリキュラム学習:両側軸索-ブロントアプローチによる甲状腺摘除データセットに着目して
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.23795412946916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity surgical video generation is increasingly important for surgical education, simulation, and downstream AI training, as conventional simulation pipelines are limited by cost, realism, and scenario diversity. Adapting generic text-to-video diffusion models to surgical procedures remains difficult, however, due to complex anatomical structures, intricate tool-tissue interactions, the inherently hierarchical nature of surgical workflows, and the scarcity of curated training data outside a few well-studied procedures. We propose a surgical video generation framework that combines hierarchical procedural annotation with curriculum transfer learning. Surgical procedures are decomposed into three levels (phase, task, and action) and a pretrained text-to-video diffusion model is progressively adapted from coarse to fine-grained surgical context, supported by a dynamic sampling strategy that handles variable-resolution and variable-length surgical clips. We instantiate the framework on Bilateral Axillo-Breast Approach robotic thyroidectomy, a procedure for which no curated benchmark currently exists. Relative to the preceding task-level model, the final action-level model reduces FVD by 20.1% and FID by 15.7%, and a matched-budget ablation indicates that these gains arise from the curriculum design rather than from additional training. A user study with six clinicians rates visual realism highly while highlighting remaining gaps in anatomical accuracy and clinical reliability. The proposed framework offers a step toward AI-driven surgical simulation in procedures where curated data are scarce.
• Abstract（参考訳）: 従来のシミュレーションパイプラインはコスト、リアリズム、シナリオの多様性によって制限されているため、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、高忠実度手術ビデオ生成はますます重要になっている。 しかし、複雑な解剖学的構造、複雑なツールとタスクの相互作用、外科的ワークフローの本質的に階層的な性質、そしていくつかのよく研究された手順外のキュレートされたトレーニングデータの不足により、一般的なテキストとビデオの拡散モデルへの適応は依然として困難である。 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。 手術手順を3段階(フェーズ,タスク,アクション)に分解し,可変解像度および可変長の手術クリップを扱う動的サンプリング戦略により,トレーニング済みのテキスト・ビデオ拡散モデルを粗大から細粒の手術コンテキストに段階的に適応させる。 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。 前回のタスクレベルモデルとは対照的に、最終アクションレベルモデルはFVDを20.1%、FIDを15.7%削減し、一致予算アブレーションは、追加のトレーニングではなくカリキュラム設計から得られるものであることを示している。 6人の臨床医によるユーザスタディは、解剖学的精度と臨床信頼性のギャップを強調しながら、視覚的リアリズムを高く評価する。 提案するフレームワークは、キュレートされたデータが不足している手順において、AI駆動の外科的シミュレーションに向けたステップを提供する。

関連論文リスト

• HyperVLP: Enhancing Hierarchical Surgical Video-Language Pre-training in Hyperbolic Space [50.603248889968306]
  階層構造を明示的に保存するハイパーボリックな手術用ビデオ言語事前学習フレームワークを提案する。 複数の手術用ベンチマークの実験は、ゼロショットと少数ショットの位相認識において一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-06-30T07:21:06Z)
• Data-Efficient Learning for Generalizable Surgical Video Understanding [0.0]
  本研究は, 深層学習に基づく外科的ビデオ解析と実世界の臨床環境とのギャップを埋めることを目的としている。 私は最先端のニューラルネットワークアーキテクチャをベンチマークして、各タスクの最も効果的な設計を特定しました。 我々は,大量の未ラベルの手術ビデオを活用することにより,タスク間のモデル性能を向上させる半駆動型フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-08-13T22:00:23Z)
• 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)
• Large-scale Self-supervised Video Foundation Model for Intelligent Surgery [27.418249899272155]
  本稿では,大規模な外科的ビデオデータから共同時間的表現学習を可能にする,最初のビデオレベルの手術前トレーニングフレームワークを紹介する。 SurgVISTAは,空間構造を捕捉し,時間的ダイナミックスを複雑化する再構成型事前学習手法である。 実験では、SurgVISTAは自然領域と外科領域の事前訓練されたモデルの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-03T09:42:54Z)
• 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)
• Benchmarking and Enhancing Surgical Phase Recognition Models for Robotic-Assisted Esophagectomy [1.0807134580166777]
  食道癌に対する低侵襲食道切除術(RAMIE)を施行した。 我々の目標は, 外科的位相認識に深層学習を活用することであり, 術中支援を外科医に提供することである。 この複雑な手順の時間的ダイナミクスをより効果的に捉えるために,エンコーダ・デコーダ構造を特徴とする新しいディープラーニングモデルを開発した。
  論文  参考訳（メタデータ） (2024-12-05T10:23:16Z)
• Procedure-Aware Surgical Video-language Pretraining with Hierarchical Knowledge Augmentation [51.222684687924215]
  手術用ビデオ言語事前学習は、知識領域のギャップとマルチモーダルデータの不足により、独特な課題に直面している。 本稿では,これらの課題に対処するために,階層的知識向上手法と新しい手術的知識向上型ビデオランゲージ事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-30T22:21:05Z)
• 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)
• Surgical Phase Recognition in Laparoscopic Cholecystectomy [57.929132269036245]
  本稿では,2段階推論パイプラインのキャリブレーションされた信頼度スコアを利用するTransformerに基づく手法を提案する。 提案手法はColec80データセットのベースラインモデルよりも優れており,様々なアクションセグメンテーション手法に適用できる。
  論文  参考訳（メタデータ） (2022-06-14T22:55:31Z)
• CholecTriplet2021: A benchmark challenge for surgical action triplet recognition [66.51610049869393]
  腹腔鏡下手術における三肢の認識のためにMICCAI 2021で実施した内視鏡的視力障害であるColecTriplet 2021を提案する。 課題の参加者が提案する最先端の深層学習手法の課題設定と評価について述べる。 4つのベースライン法と19の新しいディープラーニングアルゴリズムが提示され、手術ビデオから直接手術行動三重項を認識し、平均平均精度(mAP)は4.2%から38.1%である。
  論文  参考訳（メタデータ） (2022-04-10T18:51:55Z)

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。