减少注释负载:在手术仪器细分中使用合成图像进行主动学习

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 手术技术 手术技术

背景情况:

• 在内镜微创手术中,准确的仪器细分至关重要,但由于复杂的视觉数据,具有挑战性.
• 深度学习模型在这一任务中表现出色,但通常需要大型注释数据集,从而产生大量的标签工作负载.

研究的目的:

• 开发一个有效的框架,用于训练手术仪器细分的深度学习模型.
• 为了减少创建高性能细分模型所需的手动注释工作.

主要方法:

• 采用积极学习策略,选择有信息的未标记图像进行手动注释.
• 合成图像是通过将剪切的仪器和背景从选定的图像与混合技术相结合而生成的.
• 该框架将主动学习与合成数据生成相结合,用于代神经网络训练.

主要成果:

• 提出的基于主动学习的合成图像生成框架在仪器细分方面显示出显著的性能改进.
• 在多个手术数据集中验证了有效性,包括鼻和腹内手术.
• 在处理有限数量的注释数据时,性能增长尤其显著.

结论:

• 积极学习和合成数据生成的结合方法有效地减轻了手术仪器细分中的数据注释负担.
• 该方法为改善微创手术中深度学习模型的准确性和效率提供了一种实际解决方案.
• 开源代码促进了该技术的进一步研究和应用.