基于卷积神经网络的机器人辅助手术客观技能评估深度学习
计算机视觉与模式识别
2019-03-08 v2 机器人学
摘要
随着机器人辅助手术的出现，融合统计与机器学习的数据驱动方法在客观手术技能评估中发挥着迅速增长的作用，并受到广泛关注。然而，大多数现有工作需要将机器人运动运动学转化为中间特征或手势片段，这些提取代价高昂、缺乏效率，且需要大量领域特定知识。我们提出一种用于手术训练技能评估的分析式深度学习框架。实现一个深度卷积神经网络，将运动运动学的多元时间序列数据映射到个体技能水平。我们在公开的微创外科机器人数据集 JHU-ISI Gesture and Skill Assessment Working Set（JIGSAWS）上进行实验。我们提出的学习模型在标准训练任务中分别取得了 92.5%、95.4% 和 91.3% 的竞争性准确率：缝合、穿针和打结。无需工程化特征或精心调优的手势分割，我们的模型可通过端到端学习从原始运动轮廓中成功解码技能信息。同时，所提模型能够在 1-3 秒窗口内可靠地解释技能，而无需观察整个训练试验。本研究凸显了深度架构在现代手术训练中实现熟练在线技能评估的潜力。
引用
@article{arxiv.1806.05796,
title = {Deep Learning with Convolutional Neural Network for Objective Skill Evaluation in Robot-assisted Surgery},
author = {Ziheng Wang and Ann Majewicz Fey},
journal= {arXiv preprint arXiv:1806.05796},
year = {2019}
}
备注
Manuscript published. For reference, see https://link.springer.com/article/10.1007/s11548-018-1860-1