Detección de Instrumentos Quirúrgicos con Aprendizaje Supervisado Débil y Consciente del Contexto

Área de la Ciencia:

• Análisis de imágenes médicas
• Visión por computadora en cirugía
• Cirugía mínimamente invasiva

Sus antecedentes:

• La detección de instrumentos quirúrgicos es crucial para los sistemas de asistencia en el quirófano.
• Los métodos tradicionales requieren anotaciones extensas y costosas.
• El aprendizaje supervisado débil ofrece una solución al utilizar anotaciones a nivel de imagen.

Objetivo del estudio:

• Introducir la detección de objetos supervisada débilmente para la identificación de instrumentos quirúrgicos.
• Abordar el desafío de la escasez de datos anotados en imágenes médicas.
• Mejorar la precisión y la practicidad de los sistemas de detección de instrumentos quirúrgicos.

Principales métodos:

• Se propuso un módulo consciente del escenario entre imágenes para suprimir las características del fondo.
• Se utilizó la pérdida contrastiva en lugar de la pérdida de etiquetas multiclase tradicional para mejorar los mapas de atención.
• Se desarrolló una arquitectura novedosa de construcción de bibliotecas de características y optimización de instancias.

Principales resultados:

• Se logró un 50.4% de mAP (precisión media promedio) en el conjunto de datos m2cai16-tool-locations.
• Se logró un 64.6% de mCorLoc (localización correcta media) en el conjunto de datos m2cai16-tool-locations.
• Se demostró un rendimiento eficaz y práctico para la detección de instrumentos quirúrgicos mínimamente invasivos.

Conclusiones:

• La detección de objetos supervisada débilmente es eficaz para la identificación de instrumentos quirúrgicos.
• Los métodos propuestos alivian significativamente el problema de los datos anotados limitados.
• El enfoque muestra una gran promesa para mejorar los sistemas de asistencia en cirugía mínimamente invasiva.