在杂的内镜视频中,强大的多标签外科工具分类

科学领域:

• 计算机科学 计算机科学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 外科数据科学是一个新兴的领域,利用机器学习 (ML) 来分析外科手术记录.
• 现有的手术任务的ML模型受到缺乏注释良好的数据集和不准确的标签的限制.
• 需要强大的模型来准确地从内镜视频中分类外科工具.

研究的目的:

• 开发一种系统的方法,用于使用噪音高的内镜视频进行强大的外科工具分类.
• 引入智能主动学习策略,以有效地管理数据集和纠正标签.
• 实施一个半监督的自我培训框架,以提高分类性能.

主要方法:

• 一个积极的学习策略,利用集体智能进行最小的数据集识别和专家指导的标签校正.
• 一个基于学生-教师模型的自我培训框架,用于对14种手术工具进行半监督分类.
• 包括加权数据加载器和标签平滑在内的技术,以处理困难的样本和类不平衡.

主要成果:

• 拟议的方法获得了平均F1得分85.88%的班级权重在集合模型的基于自训练.
• 在没有类重量的情况下获得了80.88%的F1得分,证明了对噪音标签的稳定性.
• 该方法在手术工具分类方面显著优于现有的方法.

结论:

• 开发的方法提供了一个强大的解决方案,用于从杂的内镜视频进行手术工具分类.
• 积极学习和自我培训的结合有效地解决了数据稀缺和标签噪音的挑战.
• 这项工作推动了用于外科数据科学应用的可靠ML模型的开发.