域自适应多个实例自我训练用于手术内异常检测

科学领域:

• 计算机视觉 计算机视觉
• 手术机器人手术机器人手术机器人手术机器人
• 医学成像分析 医学成像分析

背景情况:

• 术内异常会破坏外科手术工作流程,增加错误的风险.
• 自动异常检测对于安全的辅助和自主手术至关重要.
• 目前的系统面临的挑战是域移动和可变形环境.

研究的目的:

• 开发一个强大的异常检测框架,用于手术视频分析.
• 增强跨不同外科平台和场景的适应性.
• 提高自动化系统在识别手术内异常时的可靠性.

主要方法:

• 拟议的DA-MIST (域自适应多个实例自训) 框架.
• 使用了两阶段的培训策略,结合了多个实例的学习和自我训练.
• 实现了场景脱记忆机制和状态感知双分支注意模块.

主要成果:

• 在异质的外科领域中,DA-MIST表现出强大的适应性.
• 该框架在异常检测中始终减少了虚假报警.
• 在大型内镜视频数据集上实现了更高的异常定位精度.

结论:

• DA-MIST提供了一个强大的解决方案,用于在外科手术中弱监督的异常检测.
• 提出的方法提高了系统性能和通用性.
• 这项工作有助于推进更安全的自主手术系统.