수술 기구 자동 분할, 조직·해부 구조 자동 분할, 단계 인식, 행동 인식은 서로 다른 출력과 채점 기준이 필요한 과제입니다. 아래에서 과제를 비교하고 분할 마스크의 개념을 직접 살펴보세요. 분할은 설명용 설계 미리보기이며, 현재 실행 예제는 합성 색상 프레임을 사용하는 단계 분류입니다.
실제 수술 영상 / 공개 자료
논문에 공개된 실제 수술 장면입니다. 버튼을 누르면 Wikimedia 영상이 로드됩니다.
자동 재생 없음 · 실제 수술 장면 포함
기구의 이동, 조직의 변형, 가림과 조명 변화를 실제 장면에서 살펴볼 수 있습니다. 아래 시간대는 원 논문이 제공한 장면 설명입니다.
이 영상은 참고용이며 대회 데이터셋이나 정답 마스크가 아닙니다. 현재 영상 위에서 자동 분할·단계 인식 AI를 실행하지 않습니다.
원본 영상에서 보기Jorine Boer, Djamila Boerma, Tammo S de Vries Reilingh · Journal of Medical Case Reports 5, 588 (2011) · Additional file 1
A gallbladder torsion presenting as acute cholecystitis in an elderly woman: A case report · CC BY 2.0
Wikimedia 변환본을 외부 스트리밍하며, Orcaton은 영상을 편집하거나 AI 마스크를 덧씌우지 않았습니다. 장면 설명 자막은 Orcaton이 원 논문을 바탕으로 작성했습니다. 재생 시 해당 제공자에 접속합니다.
수술 영상 / 과제 탐색
자동 분할은 기구와 해부 구조의 위치를 픽셀로 예측합니다. 과제를 선택하면 입력·출력·지표와 실제 대회 개설까지 남은 준비를 확인할 수 있습니다.
설명용 일러스트 · AI 추론 없음
직접 그린 개념도와 미리 정한 도형입니다. 환자 영상, 데이터셋 샘플, 학습 모델의 출력 또는 실제 측정 점수를 보여주지 않습니다. 범례는 설명용이며 실제 클래스 규격은 별도로 고정합니다.
기구의 윤곽을 픽셀 단위로 예측합니다. 기구/배경 이진 분할에서 시작해 부품·종류별 분할로 확장할 수 있습니다.
영상 마스크용 평가기·포맷 검증을 구현하고, 이진/부품/기구 종류 중 과제를 먼저 고정해야 합니다.
공식 EndoVis 목록과 저자 논문에서 이진·부품·종류별 분할 과제를 확인했습니다. 원본 접근과 운영 이용 허가는 확인 전입니다.
현재 SEGMENTATION 평가기는 3차원 NIfTI (.nii / .nii.gz) 라벨용입니다. 2차원 PNG·영상 마스크를 받지 않습니다. 위 출력과 지표는 설계안이며, 프레임 정합·클래스 검증·영상별 집계를 포함하는 전용 평가기를 연결한 뒤 제출을 열 수 있습니다. 준비 체크리스트 →
미리보기에서 평가까지
현재 자동 분할 제출은 접수하지 않습니다. 다음 항목은 실제 영상 평가를 열기 위한 준비 조건이며, 완료된 작업 목록이 아닙니다.
원본 제공자의 접근 절차, 대회 운영·재배포 허가, 비식별화 범위를 확인합니다. 공개 연구 자료라는 이유만으로 운영 허가를 가정하지 않습니다.
인접 프레임을 같은 분할에 두고 환자·기관 묶음을 검토합니다. Cholec80에서 파생된 자료를 함께 쓸 때 원본 영상 중복도 확인합니다.
video_id·frame_id, 원본 해상도, 정수 class-ID, 배경·ignore·빈 마스크 정책을 정합니다. 보기용 색 마스크와 채점용 라벨을 구분합니다.
PNG 입출력과 프레임 정합을 검증하고 IoU·Dice 계산, 클래스·영상별 집계와 잘못된 제출 거부를 테스트합니다. 기존 3D NIfTI 평가기와 별도 연결이 필요합니다.
정답을 모델 입력에서 분리하고 네트워크·자원 제한 아래 실제 샘플 추론을 실행합니다. 기준선의 예측 파일·재현성·로그를 검증한 뒤 제출을 엽니다.
지금 이용 가능 / 합성 리허설
복강경 담낭절제술의 단계 이름을 사용한 합성 예제입니다. 직접 생성한 색상 PPM 프레임으로 제출 형식을 연습합니다. 실제 수술 영상과 학회 주최 대회는 포함하지 않습니다.
단계 분류 Docker 예제 다운로드 ↓현재 프레임 → 단계 라벨
Preparation · prediction=0
단계를 누르면 예시 색과 출력 라벨이 바뀝니다. 이 기준선은 미리 정한 색을 읽습니다. AI 추론, 실제 수술 영상 인식이나 로봇 제어를 실행하지 않습니다.
한 수술의 인접 프레임을 학습·평가에 나누면 장면과 시간 정보가 새어 나갈 수 있습니다. 영상 ID 전체를 같은 분할에 두고, 실제 도입에서는 환자·기관 묶음과 검증용 분할도 사전에 고정합니다.
공개 학습 자료로 참가자가 모델을 준비합니다. Docker 평가에서는 manifest와 프레임만 /input에 읽기 전용으로 연결하고, 정답은 별도 평가기에 남깁니다. 예측 case_id와 단계 번호를 submission.zip으로 출력합니다.
기존 분류 평가기가 7개 단계의 macro-F1을 계산하고 ×100 점수로 표시합니다. 합성 색 기준선의 높은 점수는 파일·제출 규격 점검 결과입니다. 실제 수술 인식 성능을 나타내지 않습니다.
위 단계 분류 예제는 현재 장면이 어떤 수술 단계인지 맞히는 인식 과제입니다. 영상과 텍스트 질문으로 단계 라벨을 만드는 비전·언어 모델을 비교할 수 있지만, 현재 예제는 단순 색 판독입니다. 실제 로봇 제어 VLA에는 행동·기구 운동 라벨, 로봇 형태, 시뮬레이터 또는 승인된 하드웨어, 제어·안전 지표가 추가로 필요합니다.
CAMMA의 Cholec80 등은 실제 수술 영상 연구 자료의 출처입니다. CAMMA는 Cholec80에 CC BY-NC-SA 4.0 조건을 명시합니다. 공개 접근 가능성과 유료 대회 운영·재배포 허용은 별도로 검토해야 합니다. 합성 Docker 예제에는 해당 데이터셋의 원본 영상을 포함하지 않습니다. 위 참고영상은 별도의 CC BY 2.0 공개 논문 보충자료입니다.
CAMMA 공식 데이터셋·이용 조건 →실제 대회는 사용 허가·데이터 분할·어노테이션 기준·평가 코드·Docker 운영 리허설이 확정된 뒤 별도로 개설합니다. 이 미리보기에는 측정하지 않은 리더보드 점수나 협력 학회 표시를 넣지 않았습니다.
AutoResearch에서 가설 고정·반복실험·보고서의 참가자 연구 흐름을 이어서 확인할 수 있습니다.