改进机器人护士的仪器检测,使用多视图投票
Jorge Badilla-Solórzano1, Sontje Ihler2, Nils-Claudius Gellrich3
1Institute of Mechatronic Systems, Leibniz University Hannover, Garbsen, Germany. jorge.badilla@imes.uni-hannover.de.
概括
将深度学习仪器探测器与多视图投票方案相结合,可以显著提高手术仪器检测的准确性. 这种实用方法通过减少在手术过程中识别手术工具的错误来增强机器人护士的能力.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 计算机视觉 计算机视觉
- 手术技术 手术技术
背景情况:
- 手术仪器检测对于机器人护士来说至关重要.
- 深度学习模型表现有前途,但具有性能限制.
- 现实世界的应用需要高精度和可靠性.
研究的目的:
- 通过一种新的方法,提高手术仪器检测的准确性.
- 证明将深度学习与基于多视图实例的投票相结合的有效性.
- 为了提高机器人手术中仪器检测的可靠性.
主要方法:
- 从多个视角收集RGB数据和点云,使用机器人护士设置.
- 利用训练有素的Mask R-CNN模型从每个视图中获得预测.
- 开发了基于预测实例的多视图投票方案,以结合数据并改进检测.
主要成果:
- 与单视图方法相比,检测错误减少了82%以上.
- 平均而言,五个视角足以准确推断仪器排列.
- 提出的方法显著提高了仪器探测器的性能.
结论:
- 多视图投票方案大大提高了仪器探测器的性能.
- 该方法适用于实时手术,而不会破坏工作流程.
- 实施和数据是公开可用于研究的.
