该研究论文介绍了一种利用视频数据进行手术阶段识别的方法,旨在为自动化工作流分析提供手术程序的全面理解。研究表明,在手术阶段识别任务中,视频基分类器相比于基于图片的分类器具有更高的效果。
Jun, 2024
通过图像分割和自监督学习,我们提出了一种基于随机游走的算法来实现逐帧术期预测,并利用稀疏时间戳或少样本学习的形式进行弱监督。在使用公共的腹腔镜胆囊切除术视频数据集进行实验验证时,我们的方法表现出了低复杂度和在小数据情况下的良好性能。
Oct, 2023
SuPRA 是一种新的多任务方法,通过手术阶段的识别和未来事件的预测为改进术中辅助提供了途径。
Mar, 2024
本文介绍了一款开放式在线应用程序,可以可视化数据分区的评估,特别是在识别亚优化数据集分区方面,在高度不平衡的类分布中获取有意义的结果需要特别注意适当分割的选择。
Jun, 2023
本文提出了一种多级时间卷积网络(MS-TCN),可以用于手术阶段识别,具有层次化预测细化和因果扩张卷积的特点。本文的方法经过多组数据集的评估,并在胆囊手术视频中得到成功应用。
Mar, 2020
手术阶段识别是计算机辅助手术中的一个关键任务,本研究提出了一种能够有效处理缺失阶段标注并减少标注成本的手术阶段识别方法,该方法在两个具有挑战性的数据集上取得了竞争性结果,为手术工作流程识别的进展做出了贡献。
通过提出 SurgPLAN,一种基于时间检测原理的外科手术阶段定位网络,利用金字塔慢速 - 快速(PSF)架构和时间相位定位(TPL)模块,可以准确稳定地识别手术阶段,克服了现有方法不能捕获可区分的视觉特征和运动信息以及帧逐帧识别范式导致的不稳定预测的问题。
Nov, 2023
本文提出了一种名为 ARST 的自回归手术变压器,用于从腹腔镜视频中实时识别手术阶段。通过条件概率分布隐式地建模了阶段间相关性,并采用一致性约束推断策略以减少推断偏差和增强阶段一致性。在知名的公共数据集 Cholec80 上进行了综合验证,实验结果表明,我们的方法在定量和定性上都优于现有的最先进方法,并实现了每秒 66 帧的推断速率。
Sep, 2022
图像协调是处理医学图像中不同机器和扫描协议引起的领域转变的重要预处理策略。然而,由于缺乏广泛可用的标准数据集和基准,评估协调技术的有效性一直是一个挑战。在这个背景下,我们提出了三个指标:两个用于图像强度协调的指标和一个用于维持解剖结构的指标,无需基准。通过在一个具有可用协调基准的数据集上进行广泛研究,我们证明了我们的指标与已建立的图像质量评估指标相关。我们展示了这些新型指标如何应用于没有协调基准的实际情况,并提供了对度量值不同解释的见解,从而揭示了在协调过程中它们的重要性。根据我们的发现,我们倡导采用这些定量协调指标作为评估图像协调技术性能的标准。
Feb, 2024
本文介绍了一项比较研究,探讨了在机器人以及传统腹腔镜手术中,基于视觉的不同方法用于器械分割和追踪的效果。研究表明,现代的深度学习方法在器械分割任务中表现优异,但结果还不完美。此外,合并不同方法的结果实际上显著提高了准确性。与此同时,器械追踪任务的结果表明,在传统腹腔镜手术中这仍然是一个待解决的挑战。
May, 2018