基于噪声数据的内窥镜视频中鲁棒手术工具检测
图像与视频处理
2023-07-06 v1 计算机视觉与模式识别
机器学习
摘要
过去几年，手术数据科学引起了机器学习（ML）界的广泛关注。多项研究已证明新兴 ML 技术在分析手术数据（尤其是手术记录）以数字化临床与非临床功能（如术前规划、情境感知决策和操作技能评估）方面的功效。然而，该领域仍处于起步阶段，缺乏用于中间 ML 任务中训练鲁棒模型且具有代表性、标注良好的数据集。此外，现有数据集存在标签不准确的问题，阻碍了可靠模型的发展。本文中，我们提出一种利用噪声数据开发鲁棒手术工具检测模型的系统方法。我们的方法引入两项关键创新：（1）一种智能主动学习策略，用于最小化数据集识别及由人类专家进行标签修正；（2）一种基于学生-教师模型的自训练框架的集成策略，以半监督方式实现 14 种手术工具的鲁棒分类。此外，我们采用加权数据加载器处理困难类标签并解决类不平衡问题。所提方法在基于集成模型且使用类权重的自训练上取得 85.88% 的平均 F1 分数，在无类权重的噪声标签下为 80.88%。同时，我们提出的方法显著优于现有方法，有效证明了其有效性。
引用
@article{arxiv.2307.01232,
title = {Robust Surgical Tools Detection in Endoscopic Videos with Noisy Data},
author = {Adnan Qayyum and Hassan Ali and Massimo Caputo and Hunaid Vohra and Taofeek Akinosho and Sofiat Abioye and Ilhem Berrou and Paweł Capik and Junaid Qadir and Muhammad Bilal},
journal= {arXiv preprint arXiv:2307.01232},
year = {2023}
}