Feb, 2018

RSDNet: 从腹腔镜视频中学习预测手术剩余时间而不需要手动标注

HTML
PDF
TL;DR本文提出名为RSDNet的深度学习管道，通过仅使用腹腔镜视频的视觉信息自动预测术中剩余手术时间(RSD)，无需手动标注，可适用于多种手术类型，实验结果表明相比不使用手动标注的传统方法，该网络显著提高了RSD预测的准确性，并可通过可视化和解释自动学习的特征提供更深入的洞察。
发现论文，激发创造
  • EndoNet: 深度网络结构用于腹腔镜视频识别任务

    本研究提出了一种新的方法，使用卷积神经网络从胆囊切除术视频中自动学习特征，以完成手术阶段识别和工具存在检测等多任务学习，该方法取得了最好的效果。

    Feb, 2016

  • 用于胃旁路手术阶段和步骤联合识别的多任务时序卷积网络

    本研究提出了一个多任务多阶段时间卷积网络(MTMS-TCN)，旨在联合识别手术活动的两个互补粒度——阶段和步骤，从而提高手术活动识别的精确性和召回率。在Bypass40数据组上进行实验表明，MTMS-TCN在相较于单一任务方法，无论在阶段识别还是步骤识别方面，准确度、精确度和召回率上均具有1-2%左右的提升，并且相较于LSTM模型，其在步骤识别方面具有更高的性能。

    Feb, 2021

  • 利用强化学习检索手术阶段转换

    该研究介绍了一种基于强化学习的离线手术阶段转换检测模型，相较于传统基于分类的方法，该模型能够更准确地探测手术过程中的连续阶段块，且在处理视频过程中可以节省时间和计算量，适用于腔镜手术等现代微创手术的研究应用。

    Aug, 2022

  • 带有序列正则化的手术时间动作感知网络用于阶段识别

    我们提出了一种Surgical Temporal Action-aware Network with sequence Regularization (STAR-Net)来更准确地从输入视频中识别手术阶段。通过使用多尺度手术时态行动模块（MS-STA）和双分类器序列正则化（DSR），我们的方法可以有效利用手术行动的视觉特征，并在手术阶段识别方面取得卓越性能。

    Nov, 2023

  • 腔镜手术视频中的动作识别

    在这项研究中，我们设计并评估了一个CNN-RNN架构以及一个定制的训练-推理框架，以应对腹腔镜手术行动识别中的挑战，包括动作持续时间变异、烟雾、血液积聚、快速相机运动、器官移动、物体阻挡等相关内容扭曲，以及不同照明和视角引起的手术场景变化。通过使用堆叠的循环层，我们的网络利用帧间依赖性来消除内容扭曲和动作识别中的变异的负面影响。此外，我们提出的帧采样策略有效地管理手术动作的持续时间变化，实现了高时间分辨率的动作识别。我们广泛的实验证实了我们的方法在动作识别方面相比静态CNN更为优越。

    Nov, 2023

  • 外科计算机视觉的启动

    通过自我监督学习，在不同手术数据集上进行预训练，从而灵活地利用多样化的手术数据，为各种手术下游任务学习与任务无关的表示，研究发现预训练数据集的组成严重影响自我监督学习方法在各种下游任务上的有效性，对于规模化应用自我监督学习方法应充分考虑预训练数据集的组成。

    Dec, 2023

  • 腹腔镜手术中多类多工具跟踪的数据集CholecTrack20

    通过引入CholecTrack20数据集，本文解决了在外科视频中进行工具跟踪的需求，该数据集是根据内窥镜手术的复杂性精心注释的，可跟踪多类多工具的三个不同视角的工具轨迹，包括内窥镜手术、人体内部手术和相机视野中的工具可见性，该详细数据集满足了手术过程中不断变化的辅助要求。

    Dec, 2023

  • 多中心泛化中的挑战：Roux-en-Y胃旁路手术中的阶段和步骤识别

    通过评估多中心多活动数据集在七个实验研究中的表现，该论文展示了使用人工智能模型进行手术活动识别的一种方法，强调使用多中心数据集来提高模型的泛化能力。

    Dec, 2023

  • 普通外科视觉变换器：用于普通外科的视频预训练基础模型

    通过开源最大的外科手术视频数据集，提出了视觉预训练技术和GSViT算法，向外科手术应用提供实时的视频处理和改进性能。

    Mar, 2024

  • PitRSDNet：预测内镜垂体手术中的剩余手术时间

    本研究解决了内镜垂体手术中剩余手术时间（RSD）预测的挑战，鉴于手术流程的不确定性和步骤的可选性，传统方法难以准确预测。提出的PitRSDNet模型采用时空神经网络，通过多任务学习和上下文获取显著提高了预测准确性，并在新的88视频数据集上表现优异，特别是在处理异常案例上显著提升了精度。

    Sep, 2024