来自视频的剩余手术持续时间的非线性回归通过贝叶斯式基于LSTM的深负相关性学习
Junyang Wu1, Xiaoyang Zou1, Rong Tao1
1Institute of Medical Robotics, School of Biomedical Engineering, Shanghai Jiao Tong University, No. 800 Dongchuan Road, 200240 Shanghai, China.
概括
这项研究介绍了BD-Net,这是一种新的深度学习方法,用于从视频中预测剩余手术持续时间 (RSD). BD-Net准确地估计了RSD及其不确定性,超过了现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 手术分析 - 手术分析
背景情况:
- 准确估计剩余手术持续时间 (RSD) 对于优化外科手术工作流程和患者安全至关重要.
- 目前的方法往往缺乏量化预测不确定性的能力,限制了它们的临床实用性.
研究的目的:
- 开发一个强大的深度学习模型,从手术视频中精确估计剩余手术持续时间 (RSD).
- 将不确定性估计与RSD预测相结合,以加强临床决策.
主要方法:
- 提出了一种贝叶斯长期短期记忆 (LSTM) 基于网络的深度负相关性学习 (DNCL) 方法,称为BD-Net.
- BD-Net使用通过DNCL训练的贝叶斯式LSTM集合提取有区别的视觉特征和模拟时间依赖.
- 该方法学习非关联的贝叶斯回归器以确保概括,并在单个推理传递中提供预测和不确定性.
主要成果:
- 与最先进的方法相比,BD-Net在两个不同的外科手术数据集上表现出卓越的性能:白内障和胆囊切除术.
- 该模型有效地提取视觉特征,并捕捉时间动态,以实现准确的RSD回归.
- 实验结果证实了BD-Net在预测手术持续时间和估计预测不确定性的有效性.
结论:
- BD-Net提供了一个准确,高效和不确定性意识的解决方案,用于从视频中估计剩余的手术持续时间.
- 拟议的深度负相关性学习策略增强了贝叶斯式LSTM集的概括性和稳定性.
- 对于改善外科手术规划和手术内管理而言,BD-Net具有显著的潜力.
