校准-Jitter:增强高光谱数据,以改善手术场景细分
Alfie Roddan1, Tobias Czempiel1, Daniel S Elson1
1The Hamlyn Centre for Robotic Surgery Department of Surgery and Cancer Imperial College London London UK.
Healthcare technology letters
|December 25, 2024
概括
校准-Jitter,一种新的光谱增强技术,改善了用于手术场景分割的高光谱成像. 这种方法通过解决照明和传感器灵敏度的变化来增强模型的概括性,从而提高关键程序的性能.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 语义手术场景细分对于在手术过程中准确地识别和划分组织至关重要.
- 超光谱成像 (HSI) 提供了丰富的光谱信息超出可见光,增强组织特征.
- 当前的机器学习模型在照明和传感器灵敏度的变化中扎,限制了概括.
研究的目的:
- 引入一种新的光谱增强技术,即校准-Jitter,用于手术应用中的超光谱成像.
- 为了提高机器学习模型的稳定性和通用性,用于语义手术场景细分.
- 解决传统增强方法在处理HSI变化的局限性.
主要方法:
- 开发了Calibration-Jitter,一种模拟超光谱校准变化的光谱增强技术.
- 应用校准-Jitter训练一个SegFormer模型用于神经外科数据集上的语义细分.
- 使用F1得分评估模型性能,与现有的增强策略进行比较.
主要成果:
- 校准-Jitter显著改善了神经外科数据集上的语义细分性能.
- 使用校准-Jitter进行训练的SegFormer模型获得了74.35%的F1得分,超过了之前的最佳成绩70.2%.
- 该技术通过有效处理照明和传感器灵敏度变化,证明了增强的模型概括性.
结论:
- 校准-Jitter是一种有效的光谱增强技术,用于改进基于高光谱成像的手术场景细分.
- 这种方法提高了机器学习模型在现实世界手术部署中的可靠性.
- 这一进步解决了医学中用于HSI分析的训练数据增强的关键局限性.
