論文の概要: Annotation-Free Representation Learning for Polyp Retrieval in Colonoscopy Videos

• arxiv url: http://arxiv.org/abs/2610.39648v1
• Date: Thu, 29 Oct 2026 09:05:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:04:55.92899
• Title: Annotation-Free Representation Learning for Polyp Retrieval in Colonoscopy Videos
• Title（参考訳）: 大腸内視鏡画像におけるポリープ検索のためのアノテーションなし表現学習
• Abstract要約: 生の大腸内視鏡ビデオから直接トラックレットビューを構築するフレームワークを提案する。 REAL-Colonでは,トラックレットの検索と再同定に関する最先端の結果が得られた。
• 参考スコア（独自算出の注目度）: 6.061275539958962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Colonoscopy is inherently comparative: reliable visual assessment of polyps often depends on complementary views acquired under different viewpoints and imaging conditions. Retrieving such views requires polyp tracklet representations, which recent contrastive methods learn from temporal cues but still build from manually annotated bounding boxes. We propose an annotation-free framework that constructs tracklet views directly from raw colonoscopy videos, enabling temporal self-supervised learning on full-procedure videos, including frames without visible polyps. On REAL-Colon, our method achieves state-of-the-art results on tracklet retrieval and re-identification, outperforming both self-supervised and supervised baselines. We then introduce few-shot polyp retrieval, a task closer to clinical use, where a few observations of a target polyp are used to retrieve its remaining tracklets: with only two examples, our method surpasses most competing methods given ten. Finally, we show that a modest number of unlabeled procedures suffices for competitive performance, making on-site model development more practical. Code is available at https://github.com/lparolari/freerep.
• Abstract（参考訳）: ポリプの信頼性の高い視覚評価は、しばしば異なる視点と撮像条件下で得られる相補的なビューに依存する。 このようなビューを取得するにはpolypのトラックレット表現が必要で、これは最近のコントラスト的なメソッドは時間的キューから学習するが、手動で注釈付きバウンディングボックスから構築する。 生の大腸内視鏡ビデオから直接トラックレットビューを構築するためのアノテーションのないフレームワークを提案し、可視性ポリープのないフレームを含むフルプロデューレビデオの時間的自己教師付き学習を可能にする。 REAL-Colonでは,トラッカーレットの検索と再同定における最先端の結果が得られ,教師付きベースラインと教師付きベースラインの両方に優れていた。 次に,臨床利用に近い課題である数発のポリープ検索を導入し,対象ポリープを観測して残りのトラックレットを回収する手法を提案する。 最後に,未ラベルのプロシージャを適度に数えることで,競争性能が向上し,現場モデルの開発がより現実的になることを示す。 コードはhttps://github.com/lparolari/freerep.comから入手できる。

関連論文リスト

• Contrastive Learning under Noisy Temporal Self-Supervision for Colonoscopy Videos [8.245519663146586]
  ポリープ・トラックレットの堅牢な表現を学習することは、AIによる大腸内視鏡の応用を可能にする鍵となる。 本研究では,大腸内視鏡手術の逐次的ワークフローを利用して,時間的構造から自己監督的関連を導出する。 本稿では,ポリプ検索と再同定,サイズ推定,組織分類など,複数の下流タスクにおける学習表現の有効性を実証する。
  論文  参考訳（メタデータ） (2026-05-12T16:04:42Z)
• Scaling Video Pretraining for Surgical Foundation Models [51.92777479821822]
  SurgRecは、スケーラブルで再現可能な、外科的ビデオ理解のための事前学習のレシピだ。 内視鏡,腹腔鏡,白内障,ロボット手術を対象とする10,535ビデオと214.5Mフレームの大規模なコーパスをキュレートした。
  論文  参考訳（メタデータ） (2026-03-31T16:31:25Z)
• PolypSegTrack: Unified Foundation Model for Colonoscopy Video Analysis [28.764513004699676]
  PolypSegTrackは、大腸内視鏡ビデオにおけるPolyp検出、セグメンテーション、分類、教師なし追跡を共同で扱う新しい基礎モデルである。 我々のアプローチは、新しい条件付きマスク損失を活用し、ピクセルレベルのセグメンテーションマスクまたはバウンディングボックスアノテーションを持つデータセット間の柔軟なトレーニングを可能にする。 我々の教師なし追跡モジュールは、視覚に頼ることなく、オブジェクトクエリを使用して、フレーム全体のポリプインスタンスを確実に関連付けます。
  論文  参考訳（メタデータ） (2025-03-31T14:00:21Z)
• SSTFB: Leveraging self-supervised pretext learning and temporal self-attention with feature branching for real-time video polyp segmentation [4.027361638728112]
  本稿では,自己教師型学習を補助課題として行うビデオポリープセグメンテーション手法と,表現学習を改善するための空間的時間的自己認識機構を提案する。 実験により, 現状技術(SOTA)法の改良が示された。 本研究は,Diceの類似度係数と交叉結合度の両方において,ネットワークの精度が3%以上,10%近く向上することが確認された。
  論文  参考訳（メタデータ） (2024-06-14T17:33:11Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• YONA: You Only Need One Adjacent Reference-frame for Accurate and Fast Video Polyp Detection [80.68520401539979]
  textbfYONA (textbfYou textbfOnly textbfNeed one textbfAdjacent Reference-frame)は、ビデオポリープ検出のための効率的なエンドツーエンドのトレーニングフレームワークである。 提案したYONAは,従来の最先端の競合他社よりも精度と速度の両面で優れています。
  論文  参考訳（メタデータ） (2023-06-06T13:53:15Z)
• Contrastive Transformer-based Multiple Instance Learning for Weakly Supervised Polyp Frame Detection [30.51410140271929]
  現在の大腸内視鏡ビデオからのポリープ検出法では、正常な(健康な)訓練画像のみを使用する。 我々は,ビデオレベルのラベル付き学習データを用いてフレームレベルのポリプを検出する弱教師付き異常検出タスクとして,ポリプ検出を定式化する。
  論文  参考訳（メタデータ） (2022-03-23T01:30:48Z)
• Colonoscopy Polyp Detection: Domain Adaptation From Medical Report Images to Real-time Videos [76.37907640271806]
  大腸内視鏡画像と実時間映像の領域間ギャップに対処する画像-ビデオ結合型ポリープ検出ネットワーク(Ivy-Net)を提案する。 収集したデータセットの実験は、Ivy-Netが大腸内視鏡ビデオで最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-12-31T10:33:09Z)

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。