手术阶段与器械识别：如何确定合适的数据集划分
机器学习
2024-02-06 v2
摘要
目的：只有当训练、验证和测试数据划分具有代表性且不受感兴趣类别缺失影响时，机器学习模型才能被可靠评估。手术工作流与器械识别任务在此方面十分复杂，因为由阶段长度不同及其不规律出现导致的严重数据不平衡。此外，由于定义阶段时所依据的子属性（如器械（共）现）在划分时通常未被考虑，该问题变得困难。我们认为此类子属性必须被同等考虑。方法：本工作提出一个公开可用的数据可视化工具，支持对手术阶段与器械识别的数据集划分进行交互式探索。它聚焦于阶段出现情况、阶段转换、器械及器械组合在各集合中的可视化。特别地，它有助于评估和识别次优的数据集划分。结果：我们使用所提应用对常见的 Cholec80 数据集划分进行分析，能够揭示在某些集合中未表示的阶段转换与器械组合。此外，我们概述了划分的可能改进。一项有十名参与者的用户研究表明，参与者能够使用该应用完成一系列数据探索任务。结论：在高度不平衡的类别分布中，应特别注意选择合适的数据集划分。我们的交互式数据可视化工具为评估手术阶段与器械识别的数据集划分提供了一种有前景的方法。评估结果表明其可改进机器学习模型的开发。该应用可在 https://cardio-ai.github.io/endovis-ml/ 获取。
引用
@article{arxiv.2306.16879,
title = {Surgical Phase and Instrument Recognition: How to identify appropriate Dataset Splits},
author = {Georgii Kostiuchik and Lalith Sharan and Benedikt Mayer and Ivo Wolf and Bernhard Preim and Sandy Engelhardt},
journal= {arXiv preprint arXiv:2306.16879},
year = {2024}
}
备注
Accepted at IPCAI 2023 as long abstract; Submitted to IJCARS as original article; 21 pages, 10 figures, 3 tables