Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jul 25, 2025

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

444

评估机器人辅助部分切除术外科医生,使用完全卷积细分和多任务注意力网络.

Yihao Wang1, Zhongjie Wu1, Jessica Dai2

  • 1Department of Computer Science, Southern Methodist University, Dallas, USA.

Journal of robotic surgery
|June 27, 2023
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Antibacterial mechanisms of magnolol against Streptococcus agalactiae and immunomodulatory effects in Schizothorax prenanti.

Fish & shellfish immunology·2026
Same author

SST subseasonal-to-seasonal forecasting: A heterogeneous three-path fusion model with wavelet decomposition.

PloS one·2026
Same author

Dual-Channel Inhibition With Rivaroxaban and Aspirin for Thromboprophylaxis in Patients With Long-Term Inferior Vena Cava Filter Implantation: A Two-Center Cohort Study.

Clinical and applied thrombosis/hemostasis : official journal of the International Academy of Clinical and Applied Thrombosis/Hemostasis·2026
Same author

Design of Flexible Conformal Beam-Scanning Leaky-Wave Antenna.

Micromachines·2026
Same author

Remote Sensing of Soil Water Retention Signatures Using Sentinel-2 Time-Series and Exponential Decay Fitting Model.

Sensors (Basel, Switzerland)·2026
Same author

A Programmable Multi‑Modal Information Encryption System Based on the Dynamic Wetting Behavior of Liquid Metal.

Advanced science (Weinheim, Baden-Wurttemberg, Germany)·2026

机器学习模型使用视频分析来评估机器人辅助部分切除术 (RAPN) 的外科技能. 该系统准确地预测了熟练度得分,但需要更多多样化的数据来提高准确性.

科学领域:

  • 在外科手术中使用机器人
  • 机器学习应用 机器学习应用
  • 手术教育技术 技术手术教育

背景情况:

  • 机器人辅助部分切除术 (RAPN) 是一种复杂的程序,需要高度的外科技能.
  • 对外科技能的客观评估对于培训和质量提高至关重要.
  • 以前的研究经常使用合成环境,限制了现实世界的适用性.

研究的目的:

  • 从实际的RAPN手术视频中开发和评估机器学习模型来评估外科技能.
  • 预测外科手术能力得分,特别是OSATS (技术技能客观结构评估) 和GEARS (机器人技能全球评估评估).
  • 研究级神经网络用于仪器跟踪和技能评分的使用.

主要方法:

  • 利用DaVinci机器人系统的视频在RAPN的瘤切除和光学步骤中.
  • 采用级联神经网络,包括用于仪器跟踪的语义细分网络.
  • 一个评分网络处理仪器运动来预测各种子类别的OSATS和GEARS分数.

主要成果:

  • 该模型在预测诸如力灵敏度和仪器知识等指标的子类别分数方面表现良好.
  • 该系统成功地跟踪了手术领域内的手术仪器.
  • 确定的局限性,包括错误的阳性/阴性,归因于有限的培训数据可变性和稀疏性.
关键词:
卷积网络是一个卷积网络.多任务学习是多任务学习.专注于自己的注意力进行外科评估.

更多相关视频

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K
Robot-Assisted Kidney Transplantation
07:30

Robot-Assisted Kidney Transplantation

Published on: July 19, 2021

3.7K

相关实验视频

Last Updated: Jul 25, 2025

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

444
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K
Robot-Assisted Kidney Transplantation
07:30

Robot-Assisted Kidney Transplantation

Published on: July 19, 2021

3.7K

结论:

  • 机器学习可以有效地从现实世界RAPN视频中评估外科技能.
  • 开发的级联神经网络方法显示了自动化外科技能评估的前景.
  • 需要对更大,更多样化的数据集进行进一步的研究,以提高模型的稳定性和准确性.