ATLAS: 手術解剖セグメンテーションのためのマルチ手技ベンチマークと文脈認識モデル

- 低侵襲手術(MIS)中の解剖構造を認識するための映像セマンティックセグメンテーションの研究。 - 新データセット ATLAS-120k を導入。 - 100本の手術動画から121,018フレームを注釈。 - 14種類のlaparoscopic/robot-assisted手技、41クラスを収録。 - 新モデル ATLAS(Anatomy Recognition with Context Learning using Foundation Representations)を提案。 - 手術解剖認識のためのvideo semantic segmentationモデル。

- 従来は小規模かつ単一手技のデータセットが進展を制限していた点を、複数手技・大規模なATLAS-120kで克服。 - 自然画像向けに開発されたsegmentation手法ではなく、手術領域のin-domain foundation-model embeddingsを活用。 - 自然画像系およびin-domain foundation modelsのstate-of-the-artを、segmentation精度とtemporal consistencyの両方で上回ると報告。 - ViT-LでDice 0.70、76.2 FPSのreal time動作を達成。

- in-domain foundation-model embeddingsを基盤とする。 - procedureとsurgical phaseのcontext queriesを追加。 - フレーム間のquery propagationによりshort-term memoryを実現。 - データセット注釈はmanual labeling、tracker-based propagation、surgeonsによるreviewを組み合わせたpipelineで作成。

- ATLAS-120k上で評価し、自然画像系・in-domain foundation modelsと比較。 - segmentation accuracyとtemporal consistencyの両面で優位、ViT-LでDice 0.70、76.2 FPSを報告。 - Ablationでcontext queriesがaccuracyを、query propagationがtemporal consistencyを改善することを確認。 - 汎化検証としてCholecSeg8kでzero-shotに専用モデルと同等、AutoLaparoのphase recognitionでSurgeNet initializationを上回る。

- Ablationからcontext queriesとquery propagationの寄与が示される。 - 複数手技・多クラスへの汎化性とreal time性が示唆される。 - 限界や失敗事例、注釈コスト、クラス不均衡などの詳細な議論は要旨からは不明。

- CholecSeg8k(比較対象の専用モデル/データセット)。 - AutoLaparo(phase recognitionの比較対象)。 - SurgeNet(initialization比較の対象)。 - in-domain foundation modelsおよび自然画像向けvideo semantic segmentationの代表手法(具体名は要旨からは不明)。