DSTED：解耦时序稳定与判别增强用于手术流程识别
计算机视觉与模式识别
2025-12-23 v1 人工智能
摘要
目的：手术流程识别使计算机辅助干预能够实现情境感知式辅助和技能评估。尽管近期进展取得显著，但当前方法面临两个关键挑战：连续帧之间的预测抖动以及对模糊阶段的判别性差。本文旨在开发一个稳定框架，通过选择性地传递可靠的历史信息并显式建模不确定性以实现难样本的增强。方法：我们提出了包含可靠记忆传递 (RMP) 和不确定性感知原型检索 (UPR) 的双路径框架DSTED。RMP通过多标准可靠性评估来过滤和融合高置信度历史特征，以维持时序一致性。UPR从高不确定性样本中构建可学习的类别特定原型，并执行自适应原型匹配以细化模糊帧的表示。最后，一个置信度驱动的门根据预测确定性动态平衡两个路径。结果：我们的方法在AutoLaparo-hysterectomy 数据集上实现了84.36% 的准确率和65.51% 的F1分数，显著优于第二名方法的3.51% 和4.88%。消融实验揭示RMP (2.19%) 和UPR (1.93%) 各自带来的互补收益，二者组合时呈现协同效应。广泛分析确认时序抖动显著减少，并在挑战性阶段转换上取得显著提升。结论：我们的双路径设计引入了稳定流程识别的新范式，表明解耦时序一致性建模与阶段模糊性建模能够获得卓越的性能和临床可行性。
关键词
引用
@article{arxiv.2512.19387,
title = {DSTED: Decoupling Temporal Stabilization and Discriminative Enhancement for Surgical Workflow Recognition},
author = {Yueyao Chen and Kai-Ni Wang and Dario Tayupo and Arnaud Huaulm'e and Krystel Nyangoh Timoh and Pierre Jannin and Qi Dou},
journal= {arXiv preprint arXiv:2512.19387},
year = {2025}
}
备注
Early accepted to IPCAI 2026