基于 HeiChole 基准的外科手术工作流与技能分析机器学习算法对比验证
图像与视频处理
2021-10-01 v1 计算机视觉与模式识别
机器学习
摘要
目的：手术工作流与技能分析是下一代认知手术辅助系统的关键技术。这些系统可通过情境敏感警告与半自主机器人辅助提高手术安全性，或通过数据驱动反馈改善外科医生训练。在手术工作流分析中，开放数据单中心数据集上相位识别的平均精度报道高达 91%。本工作中，我们研究了相位识别算法在多中心环境下的泛化能力，包括更困难的识别任务如手术动作与手术技能。方法：为实现该目标，构建了一个包含来自三个外科中心的 33 段腹腔镜胆囊切除术视频的数据集，总手术时长 22 小时。标注包括七种手术相位的 250 次相位转换、四种手术动作的 5514 次出现、来自七类器械的 21 种手术器械的 6980 次出现，以及五个技能维度上的 495 次技能分类。该数据集用于 2019 年内镜视觉挑战赛的手术工作流与技能分析子挑战赛。此处，12 支队伍提交了用于相位、动作、器械识别和/或技能评估的机器学习算法。结果：相位识别的 F1 分数在 23.9% 至 67.7% 之间（n=9 队），器械存在检测在 38.5% 至 63.8% 之间（n=8 队），而动作识别仅在 21.8% 至 23.3% 之间（n=5 队）。技能评估的平均绝对误差为 0.78（n=1 队）。结论：手术工作流与技能分析是支持手术团队的有前景技术，但如我们对算法的比较所示，尚未得到解决。该新颖基准可用于未来工作的可比评估与验证。
引用
@article{arxiv.2109.14956,
title = {Comparative Validation of Machine Learning Algorithms for Surgical Workflow and Skill Analysis with the HeiChole Benchmark},
author = {Martin Wagner and Beat-Peter Müller-Stich and Anna Kisilenko and Duc Tran and Patrick Heger and Lars Mündermann and David M Lubotsky and Benjamin Müller and Tornike Davitashvili and Manuela Capek and Annika Reinke and Tong Yu and Armine Vardazaryan and Chinedu Innocent Nwoye and Nicolas Padoy and Xinyang Liu and Eung-Joo Lee and Constantin Disch and Hans Meine and Tong Xia and Fucang Jia and Satoshi Kondo and Wolfgang Reiter and Yueming Jin and Yonghao Long and Meirui Jiang and Qi Dou and Pheng Ann Heng and Isabell Twick and Kadir Kirtac and Enes Hosgor and Jon Lindström Bolmgren and Michael Stenzel and Björn von Siemens and Hannes G. Kenngott and Felix Nickel and Moritz von Frankenberg and Franziska Mathis-Ullrich and Lena Maier-Hein and Stefanie Speidel and Sebastian Bodenstedt},
journal= {arXiv preprint arXiv:2109.14956},
year = {2021}
}