在机器人手术中个性化使用视觉特征priors的联合仪器分割

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 个性化联合学习 (PFL) 能够在多个临床场所进行协作模式培训,同时保持数据隐私.
• 现有的PFL手术仪器细分 (SIS) 方法往往忽视了注意力机制的个性化,并且未能解决外观多样性和手术数据固有的仪器形状相似性.
• 提高SIS的准确性和稳定性对于推进手术机器人和计算机辅助手术至关重要.

研究的目的:

• 引入PFedSIS,一种新的PFL方法,旨在通过结合先前的视觉特征来提高SIS性能.
• 解决现有的PFL方法的局限性,重点关注多头自我注意的个性化,并考虑外观和形状的变化.
• 为了提高手术仪器细分的准确性和可靠性,在不同的临床环境.

主要方法:

• PFedSIS集成了三个关键组件:全球个性化解 (GPD) 用于头部的注意力个性化,外观调节个性化增强 (APE) 用于使用超级网络进行定制的层级聚合,以及形状相似性全球增强 (SGE) 用于维护和共享相互仪器形状信息.
• GPD促进了首个头智的任务,用于多头自我注意力个性化.
• APE保留了独特的网站特定的外观表示,并通过定制的网站特定参数聚合来利用网站间的差异.
• SGE增强了跨样式的形状一致性,并利用特定站点的形状贡献来更新全球参数.

主要成果:

• 与最先进的手术仪器细分方法相比,PFedSIS实现了更高的性能.
• 具体的性能增长包括+1.51%的子,+2.11%的IOU,-2.79的平均对称表面距离 (ASSD) 和-15.55的豪斯多夫距离95% (HD95).
• 拟议的方法有效地处理外观多样性和仪器形状相似性,从而大大提高了细分精度.

结论:

• PFedSIS代表了针对手术仪器细分的个性化联合学习的重大进步.
• 该方法的新组件有效地解决了个性化挑战,外观多样性和形状相似性,从而提高了细分性能.
• PFedSIS展示了提高人工智能驱动的外科工具在现实临床环境中的可靠性和适用性的潜力.