在深度学习的机器人左侧切除术中多层次有效的外科工作流程识别:实验研究

科学领域:

• 机器人技术 机器人技术 机器人技术
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 自动化手术工作流程识别对于手术中的计算模型至关重要.
• 准确识别和细分手术程序是推动自主机器人手术的关键.
• 本研究的重点是机器人左侧切除术 (RLLS),以提高手术过程的理解.

研究的目的:

• 为RLLS构建一个多细分的时间注释数据集.
• 开发一个深度学习模型,用于多层次的外科手术工作流程识别 (步骤,任务,活动).
• 为了实现整体和有效的外科手术工作流程的准确识别.

主要方法:

• 创建了45个RLLS视频的数据集,并为所有提供时间注释.
• 根据外科手术的贡献,框架被归类为"有效"或"低效".
• 混合深度学习模型用于在多个层次层次上识别工作流.
• 在过出低效的框架后,进行了多级有效的外科手术工作流程识别.

主要成果:

• 该数据集包含超过430万个注释的RLLS,其中超过240万个被归类为有效.
• 识别步骤,任务,活动和低效的框架的整体准确率分别为0.82,0.80,0.79和0.85.
• 有效的外科手术工作流程识别实现了更高的准确度:步骤为0.96,任务为0.88和活动为0.82.

结论:

• 建立了一个具有多层次注释的全面RLLS数据集.
• 一个混合深度学习模型展示了有效的外科手术工作流识别能力.
• 移除低效的框架显著提高了识别准确性,支持自主机器人手术.