基于强化学习的手术阶段转换检索
计算机视觉与模式识别
2022-08-02 v1 人工智能
摘要
在微创外科手术中，基于视频分析的外科工作流分割是已被充分研究的课题。常规方法将其定义为多类分类问题，为各视频帧赋予手术阶段标签。我们引入一种用于离线阶段转换检索的新颖强化学习形式化。我们不试图分类每一视频帧，而是识别各阶段转换的时间戳。由构造方式，我们的模型不产生虚假与噪声阶段转换，而生成连续阶段块。我们研究了该模型的两种不同配置。第一种无需处理视频中所有帧（在两种不同应用中仅分别处理 <60% 与 <20% 帧），而结果略低于当前最优精度。第二种配置处理所有视频帧，并以可比计算成本优于当前最优。我们在公开数据集 Cholec80 与一内部腹腔镜骶骨阴道固定术数据集上，将方法与近期性能最优的基于帧的方法 TeCNO 和 Trans-SVNet 比较。我们对算法进行了基于帧（准确率、精确率、召回率与 F1 分数）与基于事件（事件比）的评估。
引用
@article{arxiv.2208.00902,
title = {Retrieval of surgical phase transitions using reinforcement learning},
author = {Yitong Zhang and Sophia Bano and Ann-Sophie Page and Jan Deprest and Danail Stoyanov and Francisco Vasconcelos},
journal= {arXiv preprint arXiv:2208.00902},
year = {2022}
}
备注
Accepted by MICCAI 2022