计算机视觉提高神经外科手术室操作效率的研究:概念验证
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
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
高技术要求且患者结局至关重要时,通过客观运动分析反馈监测和改进外科技能的机会可能特别有益。本综述通过对技术和非技术外科技能、协作任务表现和姿态估计的研究进行综合,揭示了通过计算机视觉和人工智能的创新推进心胸外科手术性能的新机遇。这些技术创新从纵向上评估其对心胸外科手术界所带来的益处,并详细阐述了采用该技术的障碍。如同其他一些专业一样,心胸外科手术相对较少有机会从嵌入数据采集技术的工具中受益(例如机器人辅助腹腔镜手术)。在这种情况下,允许在常规手术领域中进行运动追踪而不使用专业设备或标记的姿态估计技术具有相当大的潜力。借助来自模拟或真实外科手术过程的视频数据,这些工具可以(1)深入了解外科医生职业生涯中专业知识和手术性能的发展,(2)为实习外科医生提供改进方面的反馈,(3)研究与患者结局有关的技能方面,并(4)在培训或指导计划中确定应重点关注的外科技能方面提供支持。利用人工智能进行 ' 学习 ' 专家外科评估者的专业知识的分类器或评估算法可以进一步帮助教育工作者确定实习生是否达到了胜任水平。
Feb, 2024
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
Jun, 2018
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
该研究描述了他们在 MICCAI 2017 内窥镜视觉子挑战赛中赢得的机器人工具分割选手冠军的解决方案,该解决方案通过使用几种新颖的深度神经网络架构获得了比现有技术更好的结果来解决机器人手术中的工具语义分割问题。
Mar, 2018
该研究论文探索了一项新的任务:引用外科手术视频仪器分割(RSVIS),旨在根据给定的语言表达自动识别和分割相应的外科手术器械。通过设计了一种新颖的视频 - 仪器协同网络(VIS-Net)和基于图的关系感知模块(GRM),该方法在两个 RSVIS 数据集上验证,实验结果表明 VIS-Net 可以显著优于现有的最先进的引用分割方法。
Aug, 2023
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
该研究旨在通过利用机器学习模型,使用手术器械的安装数据作为弱标签,实现对内窥镜视频中的手术器械进行跟踪和定位。SurgToolLoc 2022 挑战赛的结果表明,通过自动检测和跟踪手术器械,既可以提高手术效率和运营,又可以为机器学习和手术数据科学的更广泛应用提供支持。
May, 2023
该研究提出了使用神经场方法进行腹腔镜视频追踪的技术,可以同时追踪手术工具和解剖结构,具有较高的追踪精度,并能生成与预训练深度估计器相媲美的伪深度图像,从而展示了使用神经场进行单目腹腔镜场景的 3D 重建的可行性。
Mar, 2024