[논문 리뷰] Cholec80-port: A Geometrically Consistent Trocar Port Segmentation Dataset for Robust Surgical Scene Understanding

Shunsuke Kikuchi, Akimasa Kouno외 1명|arXiv (Cornell University)|2026. 02. 19.

Surgical Simulation and Training인용 수 0

한 줄 요약

Cholec80에서 파생된 기하학적으로 일관된 트로카 포트 세그멘테이션 데이터셋인 Cholec80-port를 소개하고, 중앙 루멘을 제외하는 슬리브 기반 주석 SOP를 포함하는 슬리브 기반 주석과 기존 데이터셋의 정제 및 기본 모델을 제시합니다. 새 데이터셋으로 학습할 때 교차 데이터셋 강건성이 향상되는 것을 보여줍니다.

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.

연구 동기 및 목표

• 복강경 수술에서 세그멘테이션 및 다운스트림 기하학적 작업을 개선하기 위한 기하학적으로 신뢰할 수 있는 포트 라벨링의 필요성을 강조합니다.
• Cholec80에서 파생된 대규모의 슬리브-일관 포트 세그멘테이션 데이터셋을 제시합니다.
• 새로운 주석 SOP에 맞추기 위한 기존 데이터셋의 데이터 정제를 제공합니다.
• 사전 학습된 포트 세그멘테이션 모델과 다운스트림 CV 연구용 도구를 공개합니다.

제안 방법

• 포트-슬리브를 내부 밸브 너머에 보이는 고정된 슬리브로 정의하며 중앙 루멘은 제외합니다.
• 경계 정확도를 위한 시간적 검증이 포함된 CVAT를 사용하여 Cholec80의 38,434 프레임에 주석을 다습니다.
• 슬리브-일관 SOP 하에서 m2caiSeg 및 GynSurg의 정제 및 통합.
• Dice와 BCE 손실을 함께 사용하는 U-Net 디코더를 가진 ConvNeXt-Base 인코더를 학습합니다.
• 포트가 있는 프레임에서 Dice 점수와 데이터셋 간 프레임 단위 Detect F1으로 평가합니다.

실험 결과

연구 질문

• RQ1 기하학적으로 일관된 슬리브 기반 포트 라벨링이 세그멘테이션 강건성과 복강경 데이터셋 간 일반화에 개선을 가져올까요?
• RQ2 dedicated 포트 주석 SOP가 라벨 노이즈를 줄이고 포트 세그멘테이션의 교차 데이터셋 전이성을 개선할 수 있을까요?
• RQ3 Cholec80-port에서 학습된 모델은 도메인 내 및 교차 도메인 포트 세그멘테이션 작업에서 어떤 성능을 보일까요?
• RQ4 기존 데이터세트를 정제하는 것이 전이 성능에 어떤 영향을 미칠까요?
• RQ5 슬리브-일관 정의하의 주요 실패 모드는 무엇인가요?

주요 결과

• Cholec80-port에서 학습된 모델은 Cholec80-port 테스트 세트에서 도메인 내 Dice 0.862 및 Detect F1 0.856의 강력한 성능을 달성합니다.
• Cholec80-port 학습은 m2caiSeg 테스트 세트에서 m2caiSeg로 학습된 모델보다 우수한 성능을 보이며, 즉시 데이터셋을 넘어선 강건성을 시사합니다.
• 포트 외관 및 조명의 도메인 차이로 인해 GynSurg으로의 교차 데이터셋 일반화는 여전히 도전적입니다.
• 슬리브 SOP 하에서 m2caiSeg 및 GynSurg의 정제 및 재구성이 전이 강건성을 크게 향상시키는 반면, 승인되지 않은 라벨은 성능을 저해합니다.
• 결합된 정제 데이터셋은 주목할 만한 이점을 제공하지만( Dice 0.812–0.823 Detect F1), 도메인 시차는 여전히 남아 있어 더 다양한 시각적 다양성의 필요성을 시사합니다.