手术阶段和仪器识别:如何识别合适的数据集分割
Georgii Kostiuchik1,2, Lalith Sharan3,4, Benedikt Mayer5
1Department of Cardiac Surgery, Heidelberg University Hospital, Heidelberg, Germany. georgii.kostiuchik@med.uni-heidelberg.de.
International journal of computer assisted radiology and surgery
|January 29, 2024
概括
本研究介绍了一种可视化手术数据集分割的工具,改进了机器学习模型评估. 它有助于识别和修复数据不平衡,以便更好地识别手术阶段和仪器.
科学领域:
- 医疗图像分析 医学图像分析
- 机器学习在外科手术中的应用
- 数据科学用于医疗保健.
背景情况:
- 机器学习模型的评估需要具有代表性的数据分割.
- 手术工作流程和仪器识别面临数据不平衡的挑战.
- 现有的数据集分割往往忽视了仪器的同时发生.
研究的目的:
- 介绍一个用于探索外科手术数据集分区的数据可视化工具.
- 为了实现数据集分割的交互评估,用于相位和仪器识别.
- 在外科机器学习中识别和解决次优数据集分割问题.
主要方法:
- 开发了一个公开可用的交互式数据可视化工具.
- 专注于可视化阶段发生,过渡和仪器组合.
- 促进了对手术识别任务的数据集分割的评估.
主要成果:
- 分析了Cholec80,CATARACTS,CaDIS,M2CAI工作流程和M2CAI工具数据集.
- 在数据集分割中发现未充分表现的阶段过渡和仪器组合.
- 通过用户研究确定了数据集分割的改进,并通过用户研究确认了工具的可用性.
结论:
- 仔细的数据集分割对于在外科手术中可靠的机器学习评估至关重要.
- 交互式工具有助于确定更好的数据集分割,以改善实践.
- 该工具可以在线获得,以加强外科手术机器学习的开发.
