SATR-DL：利用深度神经网络改进机器人辅助手术的手术技能评估与任务识别
计算机视觉与模式识别
2019-01-09 v1 机器人学
摘要
目的：本文关注机器人辅助手术中手术运动轮廓的自动化分析，以实现客观技能评估和任务识别。现有技术严重依赖基于手工特征和手势分割的传统统计度量或浅层建模。此类开发需要大量专家知识，易出错，且在在线自适应训练系统中效率较低。方法：在这项工作中，我们提出一种具有并行深度学习架构的高效分析框架 SATR-DL，用于评估受训者熟练度并识别手术训练活动。通过端到端学习技术，直接从原始运动序列中联合获取空间表示和时间动态的抽象信息。结果：借助共享的高层表示学习，所得模型成功识别受训者技能和手术任务（缝合、穿针和打结）。同时，我们探索了在试验级别分类中使用集成，其中 SATR-DL 以技能评估和任务识别分别达到 0.960 和 1.000 的准确率优于最先进性能。结论：本研究凸显了 SATR-DL 在智能机器人手术中提供高效数据驱动评估改进的潜力。
引用
@article{arxiv.1806.05798,
title = {SATR-DL: Improving Surgical Skill Assessment and Task Recognition in Robot-assisted Surgery with Deep Neural Networks},
author = {Ziheng Wang and Ann Majewicz Fey},
journal= {arXiv preprint arXiv:1806.05798},
year = {2019}
}