基于任务效率度量的手术活动识别模型新评估方法
计算机视觉与模式识别
2019-07-04 v1 图像与视频处理
摘要
目的：基于手术任务的度量（而非整台手术的度量）可用于通过有针对性的训练干预改善外科医生培训，并最终改善患者护理。需要机器学习模型来自动识别个体任务或活动，以克服视频审查中原本手动的劳动。传统上，这些模型使用帧级准确率进行评估。在此，我们提出通过手术活动识别模型对基于任务的效率度量的影响来评估它们。以此方式，我们可以确定模型何时达到足以通过个体任务的度量提供外科医生反馈的性能。方法：我们提出一种新的 CNN-LSTM 模型 RP-Net-V2，用于识别机器人辅助根治性前列腺切除术（RARP）的 12 个步骤。我们既以常规方法（如 Jaccard 指数、任务边界准确率）评估我们的模型，也以新颖方式评估，例如从器械运动和系统事件计算得到的效率度量的准确率。结果：我们提出的模型达到 0.85 的 Jaccard 指数，从而在机器人辅助根治性前列腺切除术上优于先前的模型。此外，我们表明使用 RP-Net-V2 自动识别的任务计算出的度量与临床专家标注的任务的度量相关性良好。结论：我们证明基于度量的手术活动识别模型评估是一种可行的方法，用于确定模型何时可用于量化手术效率。我们相信该方法和我们的结果展示了全自动化术后效率报告的潜力。
引用
@article{arxiv.1907.02060,
title = {Novel evaluation of surgical activity recognition models using task-based efficiency metrics},
author = {Aneeq Zia and Liheng Guo and Linlin Zhou and Irfan Essa and Anthony Jarc},
journal= {arXiv preprint arXiv:1907.02060},
year = {2019}
}