日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

手術ロボティクスarXiv:2607.04378

SurgAM: ロボット自律性のための多モーダル特徴融合による手術アフォーダンスマップ予測

SurgAM: Surgical Affordance Map Prediction with Multimodal Feature Fusion for Robot Autonomy

シェア:XThreadsFacebookLINEはてブBluesky

手術映像から吸引・クリッピング・牽引などの基本動作に適した領域を予測するアフォーダンスマップ手法を提案し、自己教師ありビジョントランスフォーマーと生成モデルの特徴を適応的に融合、階層的プロンプト学習とシーン誘導デコーダで精度を向上させた。公開データセットから新規データセットを構築し、ファントム実験で実用性も検証した。

詳しい要約

1. どんなもの?

SurgAMは、手術映像から基本的な手術動作(吸引、クリッピング、牽引)の実行可能領域を予測するsurgical affordance predictionを導入する。視覚データからアクション可能性を理解するための新しいタスクであり、マルチモーダル特徴融合フレームワークを提案する。

2. 先行研究と比べてどこがすごい?

従来の研究はツール認識やシーンセグメンテーションなどのシーン知覚に焦点を当てており、アクション計画に橋渡しするaffordance予測は未開拓だった。SurgAMは、自己教師ありVision Transformerエンコーダと大規模生成モデルエンコーダの相補的な強みを適応的に融合し、階層的プロンプト学習とシーン誘導注意デコーダを導入することで、文脈適応と重要な領域への焦点化を実現し、最先端の性能を達成している点が新しい。

3. 技術・手法の肝は?

手法の肝は、(1)自己教師ありViTエンコーダ(意味理解)と大規模生成モデルエンコーダ(空間認識)の適応的特徴融合、(2)手順的文脈に適応する階層的プロンプト学習メカニズム、(3)重要な手術領域に焦点を当て背景の妨害を抑制するシーン誘導注意デコーダ。

4. どうやって有効だと検証した?

公開手術データセットから派生した新しいデータセットを構築し、吸引・クリッピング・牽引の3つの基本動作に対するaffordanceアノテーションを付与。広範な実験で最先端性能を達成。さらに、現実的な肺と前立腺ファントムを用いた下流の自動化タスクで、予測されたaffordanceマップが自律手術動作を成功裏に可能にすることを検証した。

5. 議論はある?

要旨からは、提案手法の限界や倫理的考察、臨床応用への課題などは不明。また、データセットの規模や多様性、他の手術動作への一般化可能性についても言及がない。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、自己教師ありVision Transformer、大規模生成モデル、手術シーン知覚(ツール認識、セグメンテーション)、affordance予測の既存研究が挙げられる。具体的には、DINOv2(自己教師ありViT)、Stable Diffusion(生成モデル)、手術ツール認識やセグメンテーションの定番手法(例えば、EndoVisなどのデータセットを用いた研究)が関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Lei Song, Yonghao Long, Mengya Xu, Jiayi Geng, Xiuyuan Chen, Qi Dou

分類: cs.RO

原文アブストラクト

Surgical automation is being increasingly studied, yet bridging visual scene understanding with autonomous action planning remains a fundamental challenge. While much research effort has been made on scene perception (e.g., tool recognition and scene segmentation), understanding and predicting actionable possibilities for surgical automation is still underexplored. In this paper, we introduce surgical affordance prediction, which identifies actionable regions for fundamental surgical actions from visual data. Specifically, a novel adaptive feature fusion framework is proposed that leverages the complementary strengths of a self-supervised vision transformer encoder for its superior semantic understanding and a large-scale generative model encoder for its spatially-aware capability. Furthermore, we introduce a hierarchical prompt learning mechanism to adapt to varying procedural contexts. Finally, a scene-guided attention decoder is proposed to focus on critical surgical areas while suppressing background distractions. To validate the effectiveness, we established a new dataset, derived from publicly available surgical datasets with affordance annotations for three basic surgical actions: aspiration, clipping, and retraction. Extensive experiments demonstrate that our approach achieves state-of-the-art performance. Moreover, we validate our framework's applicability for downstream automation on a realistic lung and prostate phantom, and results show that the predicted affordance maps successfully enable autonomous surgical actions.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI