一模型多用：利用互补数据集训练分割模型

理解手术场景对于计算机辅助手术系统提供任何智能辅助功能至关重要。实现这种场景理解的一种方法是通过场景分割，即对帧中的每个像素进行分类，从而识别可见的结构和组织。使用机器学习在全手术场景分割方面已取得进展。然而，此类模型需要大量包含所有相关对象类别示例的标注训练数据。这种完全标注的数据集很难创建，因为帧中的每个像素都需要由医学专家进行标注，因此很少可用。在这项工作中，我们提出了一种方法，将多个提供互补标注的部分标注数据集组合到一个模型中，从而实现更好的场景分割并利用多个现成的数据集。我们的方法旨在通过利用互斥属性来最大化信息，从而组合具有互补标签的可用数据。具体来说，我们建议使用其他类别的正标注作为负样本，并排除二值标注中的背景像素，因为我们无法判断它们是否包含未标注但模型预测的类别。我们通过在公开可用的德累斯顿手术解剖数据集上训练DeepLabV3来评估我们的方法，该数据集提供了多个二值分割解剖结构的子集。我们的方法成功地将6个类别组合到一个模型中，与单独训练每个类别的模型集成相比，总体Dice分数提高了4.4%。通过包含多个类别的信息，我们能够将胃和结肠之间的混淆减少24%。我们的结果证明了在多个数据集上训练模型的可行性。这为未来的工作铺平了道路，进一步减轻了对一个大型、完全分割数据集的需求。