基于时间一致性的自监督学习用于腹腔镜工作流分析
计算机视觉与模式识别
2018-10-05 v2
摘要
为了在正确的时间提供正确类型的辅助，计算机辅助手术系统需要具备情境感知能力。为此，手术工作流分析方法至关重要。目前，卷积神经网络在基于视频的工作流分析任务中提供最佳性能。训练此类网络需要大量标注数据。然而，收集足够数据通常成本高昂、耗时且并非总是可行。本文中，我们通过提出并比较不同的自监督预训练方法解决该问题，这些方法利用时间一致性在未经标注的腹腔镜视频上预训练神经网络。我们在 Cholec80（一个公开可用的手术阶段分割数据集）上评估预训练网络，达到了 84.6 的最大 F1 分数。此外，与非预训练神经网络相比，我们能够将 F1 分数提高至多 10 个点。
引用
@article{arxiv.1806.06811,
title = {Temporal coherence-based self-supervised learning for laparoscopic workflow analysis},
author = {Isabel Funke and Alexander Jenke and Sören Torge Mees and Jürgen Weitz and Stefanie Speidel and Sebastian Bodenstedt},
journal= {arXiv preprint arXiv:1806.06811},
year = {2018}
}
备注
Accepted at the Workshop on Context-Aware Operating Theaters (OR 2.0), a MICCAI satellite event