使用卷积神经网络从运动数据评估外科技能

Jun, 2018

使用卷积神经网络从运动数据评估外科技能

Evaluating surgical skills from kinematic data using convolutional neural networks

Hassan Ismail Fawaz, Germain Forestier, Jonathan Weber, Lhassane Idoumghar, Pierre-Alain Muller

TL;DR本文通过设计一种卷积神经网络 (CNN) 来自动评估机器人手术中的外科医生技能，经过我们提出的方法在 JIGSAWS 数据集上得到了非常有竞争力的结果，并通过类激活图来解释各分类并提供个性化反馈

Abstract

The need for automatic surgical skills assessment is increasing, especially because manual feedback from senior surgeons observing junior surgeons is prone to subjectivity and time consuming. Thus, automating surgical skills evaluation is a very important step towards improving surgica

automatic surgical skills assessment convolutional neural network (cnn)robotic surgery jigsaws dataset class activation map

发现论文，激发创造

使用 3D 卷积神经网络进行基于视频的外科技能评估

本研究使用深度学习方法，基于视频数据进行自动技能评估，结果表明使用 3D ConvNet 直接从数据中学习有意义的模式可以高效评估外科技术技能，使得人工特征工程不再是必须的。

Mar, 2019

卷积神经网络在机器人辅助手术中客观技能评估中的深度学习

通过深度学习框架从机器人运动数据映射到单个技能级别，提出了一种无需特征工程或精心调整手势细分，即可成功解码技能信息的模型，并能在 1-3 秒窗口内可靠地解释技能，突出了深度架构在现代外科培训中高效在线技能评估的潜力。

Jun, 2018

基于区域卷积神经网络的手术视频工具检测和操作技能评估

该研究利用基于卷积神经网络的区域分析法跟踪和分析手术视频中的工具移动，从而自动评估外科医生的手术技能，在空间定位工具的同时，分析手术工具使用模式、运动范围和运动经济性等方面对手术质量进行评估。

Feb, 2018

使用 3D 卷积神经网络学习时空特征，实现视频自动手术姿态识别

采用三维卷积神经网络从连续视频帧中学习时空特征，实现视觉手术姿势识别，可用于手术技能评估、手术操作中的监控和手术任务的半自动化等多种应用。在针对 JIGSAWS 数据库中的机器人辅助缝合视频的测试中，通过对空间时间特征建模，该方法实现了高于 84% 的手术姿态识别准确性，是视频手术姿态识别的重要进展。

Jul, 2019

基于视频的手术技能评估：树型高斯过程分类器

使用视频数据进行评估，展示了所提出方法在评估外科医生熟练程度、针对性培训干预和外科部门质量保证方面的有效性，该流水线结合了表示流卷积神经网络和一种新颖的基于树的高斯过程分类器，它具有抗噪性和计算效率。此外，引入了新的核来提高准确性，该流水线的性能使用 JIGSAWS 数据集进行评估，与现有文献进行比较分析显示出准确性的显著改善和计算成本的改善，该提议的流程为使用视频数据进行外科技能评估的计算效率和准确性的提升做出了贡献，在同事外科医生的评价中，我们的研究结果表明该方法有助于促进外科住院医师的技能提高，并通过针对性培训干预和外科部门质量保证来增强患者安全。

Dec, 2023

向统一的外科技能评估迈进

提出了一种统一的多路径框架，用于通过手术视频自动预测手术的成功程度，该框架考虑了手术技能的多个组成方面，包括手术工具使用、术中事件模式和其他技能代理，并通过路径依赖模块特别建模这些不同方面之间的依赖关系。在模拟手术任务的 JIGSAWS 数据集和新的真实腹腔镜手术的临床数据集上进行了大量实验，提出的框架在两个数据集上均取得了良好的成果，模拟数据集的最先进水平从 0.71 Spearman 相关性提高到了 0.80，同时还表明结合多个技能方面比依赖单个方面获得更好的性能。

Jun, 2021

基于视频和加速度计的自动手术技能评估运动分析

本文介绍了一种基于熵的特征来自动评估 OSATS 基本手术技能的方法，并分析了多模数据（视频和加速度计数据）上不同的特征。结果显示，所提出的熵特征优于现有的视频数据分析的方法，而加速度计数据则仅在缝合中的恢复表现优异，融合视频和加速度数据可以提高总体性能。

Feb, 2017

Deepwound：通过卷积神经网络自动进行术后创口评估和手术部位监测

本研究旨在通过利用卷积神经网络完成外科手术创面分类的任务，并提出了一种多标签 CNN 集成算法 Deepwound，该算法能够通过图像像素和相应标签，准确地识别手术创面的九种状态，包括引流、纤维性渗出物、肉芽组织、手术部位感染、裸露伤口、钉子、医用绷带和缝线等。同时，本研究还展示了一种基于智能手机的移动应用前端 Deepwound，可以方便地跟踪患者的创面和手术恢复。

Jul, 2018

利用 CNN 评估在虚拟现实中无限制手术切割

用数据增强技术创建的数据集训练了可评估不受限制的外科切割的卷积神经网络。

May, 2022

一个级联神经网络系统用于评估外科手结扎模拟中学生表现

我们提出了一种级联神经网络架构，仅通过学生模拟外科结扎任务的视频评估其表现，通过预训练的深度卷积网络将视频帧图像转换为特征向量，然后用时间网络对帧序列建模。在模拟结扎实验中，我们的模型在决定绳结相关任务的水平时实现了 0.71 的中位数准确率、0.66 的中位数召回率和 0.65 的中位数 F1 分数。

Dec, 2023