[論文レビュー] Cholec80-port: A Geometrically Consistent Trocar Port Segmentation Dataset for Robust Surgical Scene Understanding

Shunsuke Kikuchi, Akimasa Kouno+1 more|arXiv (Cornell University)|Feb 19, 2026

Surgical Simulation and Training被引用数 0

ひとこと要約

Cholec80-portを派生させた幾何学的に一貫したトロカーPortセグメンテーションデータセットを、中央腔を除外する sleeve ベースのアノテーションSOPでCholec80から作成し、既存データセットのクレンジングとベースラインモデルを追加。新データセットで訓練したときのデータ間ロバスト性の改善を示す。

ABSTRACT

Trocar ports are camera-fixed, pseudo-static structures that can persistently occlude laparoscopic views and attract disproportionate feature points due to specular, textured surfaces. This makes ports particularly detrimental to geometry-based downstream pipelines such as image stitching, 3D reconstruction, and visual SLAM, where dynamic or non-anatomical outliers degrade alignment and tracking stability. Despite this practical importance, explicit port labels are rare in public surgical datasets, and existing annotations often violate geometric consistency by masking the central lumen (opening), even when anatomical regions are visible through it. We present Cholec80-port, a high-fidelity trocar port segmentation dataset derived from Cholec80, together with a rigorous standard operating procedure (SOP) that defines a port-sleeve mask excluding the central opening. We additionally cleanse and unify existing public datasets under the same SOP. Experiments demonstrate that geometrically consistent annotations substantially improve cross-dataset robustness beyond what dataset size alone provides.

研究の動機と目的

• 腹腔鏡手術におけるセグメンテーションと下流の幾何学タスクを改善するための幾何学的に忠実なポートラベリングの必要性を強調する。
• Cholec80由来の大規模でスリーブ一貫性のあるポートセグメンテーションデータセットを提示する。
• 新しいアノテーションSOPに合わせて既存データセットのデ cleansingを実施する。
• 下流CV研究のための事前訓練済みポートセグメンテーションモデルとツールを公開する。

提案手法

• ポートスリーブを中腔瞳孔部を除外し、内部弁の外側に見える剛性スリーブとして定義する。
• Boundary fidelityを時間的検証付きCVATを用いてCholec80の38,434フレームをアノテートする。
• スリーブ一貫性のSOPのもと、m2caiSegとGynSurgを清浄化および統合する。
• DiceとBCE損失を組み合わせた損失関数を用いてDice-PlusベースのConvNeXt-BaseエンコーダーとU-Netデコーダーを訓練する。
• ポートがあるフレームでのDiceスコアとデータセット間のフレームレベルDetect F1で評価する。

実験結果

リサーチクエスチョン

• RQ1 幾何学的に一貫したスリーブベースのポートラベリングは、セグメンテーションの堅牢性と腹腔鏡データセット全体での一般化を改善するか？
• RQ2 専用のポートアノテーションSOPはラベルノイズを低減し、ポートセグメンテーションのデータセット横断転移を改善するか？
• RQ3 Cholec80-portで訓練されたモデルは、同領域内および異領域のポートセグメンテーションタスクでどのように性能を発揮するか？
• RQ4 既存データセットのクレンジングは転移性能にどのような影響を与えるか？
• RQ5 スリーブ一貫性の定義の下での主な故障モードは何か？

主な発見

• Cholec80-portで訓練されたモデルは、Cholec80-portのテストセットで高いIn-domain Dice 0.862およびDetect F1 0.856を達成する。
• Cholec80-portの訓練はm2caiSeg訓練モデルをm2caiSegテストセットで上回り、このデータセット直近だけでなくロバスト性を示唆する。
• ポートの外観と照明のドメインシフトのため、GynSurgへのデータ間一般化は依然困難。
• スリーブSOPの下でm2caiSegおよびGynSurgをクレンジング・再定式化することは転移ロバスト性を著しく改善する一方、非承認ラベルは性能を妨げる。
• 組み合わせたクリーンなデータセットは顕著な利得（Dice 0.812–0.823 Detect F1）を生むが、ドメインシフトは依然として残り、視覚的多様性のさらなる拡張が必要であることを示す。