面向非对抗生成损坏的手术工具分割——EndoVis'24 挑战
计算机视觉与模式识别
2026-05-12 v3 机器人学
摘要
手术数据科学取得了快速进展，深度神经网络 (DNN) 的端到端性能卓越。尽管如此，DNN 对微小“损坏”的脆弱性已被证明，这在尤其是高风险场景下成为技术转化的主要关切。我们介绍了 SegSTRONG-C 挑战，旨在更好地理解在不可预见但合理的非对抗“损坏”下模型性能衰减的情况，以及寻求改进的当代方法的能力。基于通过反事实机器人重播生成的数据集，SegSTRONG-C 提供了干净样本和“损坏”样本的配对样本，实现了对模型鲁棒性的可重复评估。参赛者被挑战在“未损坏”数据上训练工具分割算法，并在“损坏”测试域上进行评估，以完成二元机器人工具分割任务。通过全面基线实验和来自广泛社区参与的提交结果，SegSTRONG-C 揭示了模型失效的关键主题，并识别了改进鲁棒性的有前景的方向。挑战获奖者在包含 bleeding、smoke 和 low brightness 三种损坏类型的未公开测试集上，实现了平均 0.9394 的 DSC 和 0.9301 的 NSD。这表明，先验知识、定制化训练策略和架构选择可用于改进鲁棒性。总之，SegSTRONG-C 挑战已识别了提高模型鲁棒性的实用方法。然而，大多数方法依赖已知局限性的常规技术。展望未来，我们呼吁在非对抗鲁棒性领域扩大思想多样性和创造力，呼吁发展新的范式，以增强对不可预见“损坏”的通用鲁棒性，以便更丰富地应用于手术数据科学。
关键词
引用
@article{arxiv.2407.11906,
title = {SegSTRONG-C: Segmenting Surgical Tools Robustly On Non-adversarial Generated Corruptions -- An EndoVis'24 Challenge},
author = {Hao Ding and Yuqian Zhang and Tuxun Lu and Ruixing Liang and Hongchao Shu and Lalithkumar Seenivasan and Yonghao Long and Qi Dou and Cong Gao and Yicheng Leng and Seok Bong Yoo and Eung-Joo Lee and Negin Ghamsarian and Klaus Schoeffmann and Raphael Sznitman and Zijian Wu and Yuxin Chen and Septimiu E. Salcudean and Samra Irshad and Shadi Albarqouni and Seong Tae Kim and Yueyi Sun and An Wang and Long Bai and Hongliang Ren and Ihsan Ullah and Ho-Gun Ha and Attaullah Khan and Hyunki Lee and Satoshi Kondo and Satoshi Kasai and Kousuke Hirasawa and Sita Tailor and Ricardo Sanchez-Matilla and Imanol Luengo and Tianhao Fu and Jun Ma and Bo Wang and Marcos Fernández-Rodríguez and Estevao Lima and João L. Vilaça and Mathias Unberath},
journal= {arXiv preprint arXiv:2407.11906},
year = {2026}
}