論文の概要: InnerLogic-Surg: An Open Surgical Foundation Model via Continual Pretraining

• arxiv url: http://arxiv.org/abs/2611.07883v1
• Date: Thu, 05 Nov 2026 12:03:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.673869
• Title: InnerLogic-Surg: An Open Surgical Foundation Model via Continual Pretraining
• Title（参考訳）: InnerLogic-Surg: 継続的なトレーニングによるオープンな手術基盤モデル
• Abstract要約: InnerLogic-Surgは、何百万もの手術画像に対して、トランスフォーマーベースの画像エンコーダを継続的に事前訓練する、手術用視覚エンコーダのオープンファミリーである。 我々のトレーニングレシピは,DINOv3の事前訓練段階を継承し,手術適応後の表現能力を維持する。 同じアーキテクチャの下では、最大のインナー論理=サーグモデルは、20の手術作業で最高の線形プローブ性能を達成する。
• 参考スコア（独自算出の注目度）: 13.289944051833501
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vision foundation models are the backbone of modern surgical image analysis, yet most surgical systems still rely on encoders pretrained on natural images or on specialist models trained from scratch on comparatively small datasets. Pretraining encoders on large amounts of surgery-specific data has the potential to generally enhance the performance of surgical image analysis methods simply by providing stronger backbones. Here we present InnerLogic-Surg, an open family of surgical vision encoders (21M--300M parameters) obtained by continually pretraining a transformer-based image encoder on millions of surgical images curated from 11,965 internet-sourced surgical videos spanning ~2,900 hours and more than fifteen procedure types. Our training recipe inherits DINOv3's pretraining stage to preserve representation ability after surgical adaptation, and additionally applies a learned feature-upsampling module for high-resolution dense prediction at low token cost. Across a benchmark covering workflow, instrument and anatomy recognition, segmentation, detection, and monocular depth, under the same architecture, the largest InnerLogic-Surg model achieves the best linear-probe performance in all 20 surgical tasks. We demonstrate that surgical continual pretraining yields transferable representations that generalize across procedures, anatomical regions, and task types, showing our surgical image encoders as a promising and scalable alternative to the procedure-specific representation learning approaches that have traditionally dominated surgical computer vision.
• Abstract（参考訳）: 視覚基盤モデルは現代の外科的画像解析のバックボーンであるが、ほとんどの手術システムは依然として、自然画像や比較的小さなデータセットでスクラッチから訓練された専門家モデルに事前訓練されたエンコーダに依存している。 手術固有の大量のデータにエンコーダを事前訓練することは、より強力なバックボーンを提供することで、手術画像解析法の性能を全般的に向上させる可能性がある。 ここでは,11,965本のインターネットソースの手術ビデオから収集した100万枚の画像に対して,トランスフォーマーをベースとした画像エンコーダを連続的に事前学習し,約2,900時間,および15種類のプロシージャを施したオープンな手術用視覚エンコーダ(21M-300Mパラメータ)であるInnerLogic-Surgを紹介する。 我々のトレーニングレシピは,DINOv3の事前訓練段階を継承して,手術適応後の表現能力を維持するとともに,低トークンコストで高解像度の高密度予測を行うための学習された機能アップサンプリングモジュールを適用した。 ワークフロー、計器、解剖学の認識、セグメンテーション、検出、単分子深度を網羅したベンチマークでは、同じアーキテクチャの下で、最大となるInnerLogic-Surgモデルは、20の手術タスクすべてにおいて最高の線形プローブ性能を達成する。 外科用画像エンコーダは,従来,手術用コンピュータビジョンを支配的としてきた,手術用画像エンコーダに対して,有望かつスケーラブルな代替手段であることを示す。

関連論文リスト

• 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)
• Thoracic Surgery Video Analysis for Surgical Phase Recognition [0.08706730566331035]
  我々は,11種類の位相からなる胸部手術データセットを用いて,フレームベースおよびビデオクリッピングに基づく位相認識の解析と評価を行った。 ImageNet ViTによる52.31%に比べて,Masked Video Distillation(MVD)は72.9%の精度で優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-13T14:47:57Z)
• Creating a Digital Twin of Spinal Surgery: A Proof of Concept [68.37190859183663]
  手術デジタル化は、現実世界の手術の仮想レプリカを作成するプロセスである。 脊椎外科手術に応用した手術デジタル化のための概念実証(PoC)を提案する。 5台のRGB-Dカメラを外科医の動的3D再構成に、ハイエンドカメラを解剖学の3D再構成に、赤外線ステレオカメラを手術器具追跡に、レーザースキャナーを手術室の3D再構成とデータ融合に使用した。
  論文  参考訳（メタデータ） (2024-03-25T13:09:40Z)
• 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)
• SAMSNeRF: Segment Anything Model (SAM) Guides Dynamic Surgical Scene Reconstruction by Neural Radiance Field (NeRF) [4.740415113160021]
  本稿では,Segment Anything Model(SAM)とNeRF技術を組み合わせたSAMSNeRFという新しい手法を提案する。 内視鏡下外科的画像を用いた実験の結果,高忠実度ダイナミックな手術シーンの再構築に成功していることが示された。
  論文  参考訳（メタデータ） (2023-08-22T20:31:00Z)
• Learning Multi-modal Representations by Watching Hundreds of Surgical Video Lectures [50.09187683845788]
  手術用コンピュータビジョンの応用の最近の進歩は、視覚のみのモデルによって駆動されている。 これらの手法は、固定されたオブジェクトカテゴリのセットを予測するために手動で注釈付き手術ビデオに依存する。 本研究では,オープンな外科的eラーニングプラットフォームを通じて提供される外科的ビデオ講義が,効果的な視覚と言語監督の信号を提供することができるという考えを提起した。
  論文  参考訳（メタデータ） (2023-07-27T22:38:12Z)
• Live image-based neurosurgical guidance and roadmap generation using unsupervised embedding [53.992124594124896]
  本稿では,注釈付き脳外科ビデオの大規模なデータセットを活用するライブ画像のみのガイダンスを提案する。 生成されたロードマップは、トレーニングセットの手術で取られた一般的な解剖学的パスをエンコードする。 166例の腹腔鏡下腺摘出術を施行し,本法の有効性について検討した。
  論文  参考訳（メタデータ） (2023-03-31T12:52:24Z)

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。