重新思考手术器械分割：一张背景图像或许足矣
计算机视觉与模式识别
2022-07-08 v4
摘要
数据多样性和体量对训练深度学习模型的成功至关重要，而在医学影像领域，数据收集和标注的难度与成本尤其巨大。具体而言在机器人手术中，数据稀缺与不平衡严重影响了模型精度，并限制了基于深度学习的手术应用（如手术器械分割）的设计与部署。鉴于此，我们重新思考手术器械分割任务，提出一种一对多数据生成方案，摆脱机器人手术中复杂且昂贵的数据收集与标注过程。在我们的方法中，仅利用单张手术背景组织图像和少量开源器械图像作为种子图像，并应用多种增强与混合技术合成大量图像变体。此外，我们还在训练中引入链式增强混合以进一步增强数据多样性。所提方法在 EndoVis-2018 和 EndoVis-2017 手术场景分割的真实数据集上进行了评估。我们的实证分析表明，无需高昂的数据收集与标注成本，即可获得不错的手术器械分割性能。此外，我们还观察到我们的方法能处理部署域中的新颖器械预测。我们希望这一鼓舞人心的结果将鼓励研究者重视以数据为中心的方法，以克服除数据短缺外的严峻深度学习局限，如类别不平衡、域适应和增量学习。我们的代码见 https://github.com/lofrienger/Single_SurgicalScene_For_Segmentation。
引用
@article{arxiv.2206.11804,
title = {Rethinking Surgical Instrument Segmentation: A Background Image Can Be All You Need},
author = {An Wang and Mobarakol Islam and Mengya Xu and Hongliang Ren},
journal= {arXiv preprint arXiv:2206.11804},
year = {2022}
}
备注
10 pages, MICCAI2022