学习任务不变表示以实现鲁棒的手术状态估计
机器人学
2021-02-19 v1 人工智能
计算机视觉与模式识别
摘要
机器人辅助手术(RAS)中的手术状态估计器——尤其是那些通过学习方法训练的估计器——严重依赖于捕捉实验室或真实世界手术任务中外科医生动作的数据集。真实世界RAS数据集获取成本高昂,由可能采用不同手术策略的多名外科医生采集,并在高度复杂环境中的非受控条件下记录。高多样性与有限数据的结合要求新的学习方法对操作条件和手术技术具有鲁棒性和不变性。我们提出StiseNet,一种具有不变性诱导框架的手术任务不变状态估计网络,可最小化RAS数据集中固有的手术技术与操作环境变化的影响。StiseNet的对抗式架构学习将干扰因素与手术状态估计所需信息分离。在三个数据集(包括一个新的真实世界RAS数据集:HERNIA-20)上,StiseNet被证明优于最先进的(state-of-the-art)状态估计方法。
引用
@article{arxiv.2102.09119,
title = {Learning Invariant Representation of Tasks for Robust Surgical State Estimation},
author = {Yidan Qin and Max Allan and Yisong Yue and Joel W. Burdick and Mahdi Azizian},
journal= {arXiv preprint arXiv:2102.09119},
year = {2021}
}
备注
Accepted to IEEE Robotics & Automation Letters