基于多示例学习的腹腔镜图像胆囊血管分布评估方法
计算机视觉与模式识别
2021-07-29 v2
摘要
腹腔镜胆囊切除术（LC）操作开始时的一项重要任务是检查胆囊（GB）以评估其壁厚度、炎症存在情况及脂肪程度。GB 壁血管可视化困难可能由前述因素导致，可能是慢性炎症或其他疾病的结果。本文中，我们提出一种多示例学习（MIL）技术，通过对 LC 操作图像进行计算机视觉分析来评估 GB 壁血管分布。包对应于来自 53 例手术的 181 张 GB 图像的标注（低 vs. 高）血管分布数据集。示例对应于从这些图像提取的未标注图像块。每个图像块由具有颜色、纹理与统计特征的向量表示。我们比较了多种最先进 MIL 与单示例学习方法，以及一种基于变分贝叶斯推断的所提 MIL 技术。方法针对两项实验任务进行比较：基于图像与基于视频（即基于患者）的分类。所提方法取得最佳性能，第一项与第二项任务准确率分别为 92.1% 与 90.3%。所提技术的一个显著优势是无需耗时的示例手动标注任务。
引用
@article{arxiv.2107.12093,
title = {A Multiple-Instance Learning Approach for the Assessment of Gallbladder Vascularity from Laparoscopic Images},
author = {C. Loukas and A. Gazis and D. Schizas},
journal= {arXiv preprint arXiv:2107.12093},
year = {2021}
}
备注
6 pages, 5 tables, 2 figures