腹腔镜胆囊切除术的安全视野自动评估
这份技术报告提供了对 Endoscapes 数据集的详细概述,该数据集是一组镜内胆囊切除术(LC)视频,具有高度复杂的标注,旨在自动评估安全关键视图(CVS);报道了数据集的详细统计信息和实例分割、目标检测和 CVS 预测的全面性能基准。
Dec, 2023
本文研究了基于 CNN 的模型在超声(USG)图像中用于胆囊癌(GBC)检测的潜力和挑战。我们提出了 GBCNet 来解决图像质量、噪声和纹理等问题,该模型在 GBC 分类任务中的表现明显优于 SOTA CNN 模型和专业放射科医生,并且还在乳腺癌检测方面得到了验证。
Apr, 2022
通过将 YOLO 和 Faster R-CNN 算法融合应用于超声图像中,本研究旨在选择更精确的包围盒以提高胆囊癌分类,实验证明该方法在分类性能上表现优越,准确率达到 92.62%,而仅使用 Faster R-CNN 和 YOLOv8 的准确率分别为 90.16% 和 82.79%。
Apr, 2024
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
通过使用图像级标签进行 GBC 检测,本文提出了一种使用自我监督实例选择的多实例学习方法训练 DETR 模型的弱监督目标检测算法,相较于目前最先进的基于变换器和卷积神经网络的弱监督目标检测方法,我们的方法在 AP 和检测灵敏度上表现出较大的改进。
Sep, 2023
本研究介绍了 CholecInstanceSeg,这是迄今为止最大的开放式工具实例分割数据集,旨在为手术机器人和腹腔镜手术领域的工具实例分割算法的开发和评估提供全面且高质量的开放式数据集。
Jun, 2024
本文提出了一个新颖的 LapSeg3D 基于深度学习的方法,用于手术场景的语义分割。通过针对胆囊进行半自动聚类标注管道生成标签,该方法可用于手术场景的自动化任务,其在不同数据集上测试胆囊分割的准确率(F1 score)达到了 0.94,且可适用于不同的 RGB-D 相机系统。
Jul, 2022
在腔镜肝切除手术中,增强现实是一种可视化模式,能够帮助医生在腔镜图像上投影肿瘤和嵌入在肝脏内的血管,通过将其映射到术中腔镜图像中,从而实现定位。该研究主要针对 2D 和 3D 标志物自动检测和标记,以及 3D-2D 配准任务进行深入探讨,并提出了当前限制和未来研究方向。
Jan, 2024
基于医生实践指导的立体视觉和机器学习方法,该研究提出一种用于图像引导手术的新型人工智能辅助的腹腔镜测量方法,通过在实验环境中的评估,得到高精度的距离测量,并在具有无纹理区域的挑战性环境中表现出稳健性,为术中和术后测量提供了更精确、安全和高效的解决方案的基础。
Nov, 2023
本研究使用真实的临床数据集,提出了一种基于神经网络的自动化框架,通过 COF 的代理来预测外科手术技能。该方法在与初级外科医生的人类表现相比可达到 0.55 的斯皮尔曼相关性。
Aug, 2020