基于深度残差自编码器用于智能自主机器人助理外科医生(SARAS)的无监督异常检测
机器人学
2021-04-23 v1 计算机视觉与模式识别
摘要
微创外科(MIS)中的异常检测传统上需要人类专家在控制台监测手术过程。另一方面,数据稀缺阻碍了向自主机器人辅助外科系统这一可取方向的迁移。该领域的自动异常检测系统通常依赖经典监督学习。然而,外科环境中的异常事件十分罕见,难以采集数据以监督方式训练检测模型。因此,本工作提出一种基于深度残差自编码器的机器人辅助外科无监督异常检测方法。其思想是使自编码器学习数据的“正常”分布,并通过度量重构误差来检测偏离该分布的异常事件。模型在公开可用的 Cholec80 数据集(附有额外标注)以及一组在采用人工解剖结构(“幻影”)的手术中捕获的视频上训练和验证,后者由智能自主机器人助理外科医生(SARAS)项目产出。系统在 Cholec80 上的召回率与精确率分别为 78.4%、91.5%,在 SARAS 幻影数据集上分别为 95.6%、88.1%。该端到端系统作为 SARAS 演示平台的一部分被开发与部署,用于实时异常检测,每帧处理时间约 25 ms。
引用
@article{arxiv.2104.11008,
title = {Unsupervised anomaly detection for a Smart Autonomous Robotic Assistant Surgeon (SARAS)using a deep residual autoencoder},
author = {Dinesh Jackson Samuel and Fabio Cuzzolin},
journal= {arXiv preprint arXiv:2104.11008},
year = {2021}
}