Modelo LSTM de doble canal basado en la estrategia de equilibrio de datos Xception para el reconocimiento de la fase...

Área de la Ciencia:

• * Análisis de imágenes médicas
• * Reconocimiento de la fase quirúrgica
• * Aprendizaje profundo para el análisis de vídeo quirúrgico

Sus antecedentes:

• * El reconocimiento de la fase de colecistectomía laparoscópica es crucial para la seguridad quirúrgica y la formación.
• * Los modelos existentes luchan con el aprendizaje de características temporales y el desequilibrio de clase en conjuntos de datos quirúrgicos.
• * Mejorar la extracción de características temporales y el equilibrio de datos es clave para mejorar la precisión del modelo.

Objetivo del estudio:

• * Desarrollar un modelo avanzado de aprendizaje profundo para el reconocimiento de la fase de colecistectomía laparoscópica.
• * Mejorar las capacidades de aprendizaje de características temporales y abordar el desequilibrio de las clases de datos.
• * Proponer un nuevo modelo de fusión LSTM de doble canal Xception con una estrategia de equilibrio dinámico de datos.

Principales métodos:

• * Se utilizó un modelo Xception con convoluciones separables en profundidad para la extracción de características visuales cuadro por cuadro.
• * Se utilizó una red LSTM de doble canal (LSTM bidireccional de mapeo temporal y LSTM de incrustación de secuencias) para modelar las dependencias temporales.
• * Implementó una estrategia de equilibrio dinámico de datos para ajustar las tasas de submuestreo y mitigar el aprendizaje sesgado.

Principales resultados:

• * El modelo LSTM de doble canal Xception propuesto superó a los modelos LSTM tradicionales de un solo canal en el conjunto de datos Cholec80.
• * Las puntuaciones F1 para todas las fases quirúrgicas fueron mejoradas en comparación con los modelos sin balanceo dinámico de datos.
• * Los resultados experimentales confirmaron la eficacia del modelo en el manejo de las características temporales y el desequilibrio de clase.

Conclusiones:

• * La estrategia de equilibrio dinámico de datos alivia efectivamente los problemas de desequilibrio de clase en el reconocimiento de la fase quirúrgica.
• * El modelo de fusión LSTM de doble canal Xception demuestra un rendimiento superior en la extracción de características temporales.
• * El enfoque propuesto mejora significativamente el rendimiento general de detección para las fases de colecistectomía laparoscópica.