[论文解读] 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 0

一句话总结

引入 Cholec80-port，这是一个来自 Cholec80 的几何一致性的套筒通道分割数据集，采用排除中央腔 lumen 的 sleeve-based 注释 SOP，并对现有数据集进行清洗及提供基线模型。在新数据集上训练后，显示跨数据集鲁棒性提升。

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.

研究动机与目标

• 强调在腹腔镜手术中需要几何保真度的端口标注以提升分割及下游几何任务的性能。
• 提出一个基于 Cholec80 的大规模 sleeve-consistent 的端口分割数据集。
• 对现有数据集进行数据清洗以符合新的注释 SOP。
• 发布一个预训练的端口分割模型及面向下游 CV 研究的工具链。

提出的方法

• 将端口 sleeve 定义为在外部阀门之外可见的刚性套筒，且不包括中央腔 lumen。
• 使用 CVAT 对 Cholec80 的 38,434 帧进行标注，并进行时序验证以确保边界保真度。
• 在 sleeve-consistent SOP 下对 m2caiSeg 与 GynSurg 进行清洗与统一。
• 使用 Dice 加 BCE 损失训练一个带 U-Net 解码器的 ConvNeXt-Base 编码器。
• 在带端口帧上以 Dice 评分评估，在跨数据集的帧级 Detect F1。

实验结果

研究问题

• RQ1 几何一致的 sleeve-based 端口标注是否能提升跨腹腔镜数据集的分割鲁棒性与泛化能力？
• RQ2 专用的端口标注 SOP 是否能降低标签噪声并提升端口分割的跨数据集迁移？
• RQ3 在 Cholec80-port 上训练的模型在同领域和跨领域的端口分割任务上表现如何？
• RQ4 对现有数据集进行清洗对迁移性能有何影响？
• RQ5 在 sleeve-consistent 定义下的主要失败模式是什么？

主要发现

• 在 Cholec80-port 上训练的模型在 Cholec80-port 测试集上的同领域 Dice 为 0.862、Detect F1 为 0.856。
• Cholec80-port 的训练在 m2caiSeg 测试集上优于 m2caiSeg 训练的模型，显示除了该数据集之外的鲁棒性。
• 跨数据集对 GynSurg 的泛化仍具挑战性，原因在于端口外观和光照的领域差异。
• 在 sleeve SOP 下对 m2caiSeg 与 GynSurg 进行清洗和重新表述显著提升了迁移鲁棒性，而未经批准的标签会降低性能。
• 组合的清洗数据集带来显著提升（Dice 0.812–0.823，Detect F1），但仍存在领域差异，强调需要更多视觉多样性。