自我知识蒸用于手术阶段识别

科学领域:

• 计算机视觉 计算机视觉
• 医疗人工智能 医疗人工智能
• 手术技术 手术技术

背景情况:

• 手术阶段识别模型通常通过增加网络深度而进步.
• 当前最先进的 (SOTA) 模型可以进一步优化,而不会增加复杂性.

研究的目的:

• 提出一种新的自我认识蒸框架,用于手术阶段识别.
• 增强现有的SOTA模型,而不需要额外的复杂性或注释.

主要方法:

• 在编码器-解码器架构中实现了自我知识蒸框架.
• 在编码器和解码器阶段,利用学生模型作为网络规范化的教师.
• 专注于提取增强的特征表示和构建一个强大的时间解码器.

主要成果:

• 在Cholec80数据集上验证了框架,将其与四个流行的SOTA模型集成.
• 在所有集成模型中持续提高性能.
• 通过GRU模型实现了精度和F1得分的显著提升.

结论:

• 首次成功地将自我认识蒸框架纳入外科手术阶段识别培训.
• 在现有阶段识别模型中证明了性能改进.
• 即使使用75%的培训数据,也显示了与全数据集培训可比的性能.