剖析手术计算机视觉的自我监督学习方法
Sanat Ramesh1, Vinkle Srivastav2, Deepak Alapatt2
1ICube, University of Strasbourg, CNRS, Strasbourg 67000, France; Altair Robotics Lab, Department of Computer Science, University of Verona, Verona 37134, Italy.
Medical image analysis
|June 4, 2023
概括
自主监督学习 (SSL) 方法通过减少注释需求,对外科计算机视觉有希望. 适应的SSL技术显著提高了手术数据集的相位识别和工具检测准确度.
科学领域:
- 计算机视觉 计算机视觉
- 手术技术 手术技术
- 机器学习 机器学习
背景情况:
- 手术计算机视觉中的深度学习模型需要大量的注释数据,这是昂贵的和耗时的.
- 自主监督学习 (SSL) 提供了一种在未标记的数据上训练模型的方法,可能减少注释负担.
研究的目的:
- 在外科计算机视觉领域研究最先进的SSL方法的有效性.
- 使用Cholec80数据集分析SSL方法的阶段识别和工具存在检测的性能.
主要方法:
- 评估了四种SSL方法:MoCo v2,SimCLR,DINO和SwaV. 这四种SSL方法包括:
- 在半监督环境中,分析在不同训练数据量下方法参数化和性能.
- 在Cholec80数据集上进行测试,用于相位识别和工具存在检测.
主要成果:
- 与通用SSL相比,适应的SSL方法实现了显著的性能增长:相位识别高达7.4%,工具存在检测高达20%.
- 在阶段识别方面,SSL方法超过了最先进的半监督方法,高达14%.
- 在多种不同的外科手术数据集中表现出强大的概括能力.
结论:
- 当SSL方法适当地转移到外科手术环境中时,它为计算机视觉任务提供了显著的改进.
- 这项研究强调了SSL在克服外科AI中的数据注释挑战方面的潜力.
- 这些发现为更高效,更有效地开发用于外科手术的AI工具铺平了道路.
