基于多侧解码器分支的弱监督学习用于机器人辅助心血管导管术中的工具分割
计算机视觉与模式识别
2025-04-15 v3 机器学习
机器人学
摘要
机器人辅助导管术因其在治疗心血管疾病方面的潜力而受到关注。然而，推进医生-机器人协作仍需进一步研究，尤其是针对特定任务的自动化。例如，自动化工具分割可帮助医生在心脏程序期间可视化和跟踪内血管工具。虽然基于学习的模型已显示出最先进的分割性能，但为完全监督方法生成 ground-truth 标签既耗时又昂贵。本研究提出了一种用于心血管动脉造影数据集中工具分割的弱监督学习方法，采用多侧伪标签。该方法利用修改后的 U-Net 架构，包含一个编码器和多个后侧分支解码器。解码器在不同的扰动下生成多样化的伪标签，从而增强可用的部分标签。伪标签通过带有共享一致性的混合损失函数进行自生成。该弱监督模型端到端训练，并使用来自三种心血管导管术术前的部分标注动脉造影数据进行验证。验证结果表明，该模型的性能可接近完全监督模型。此外，提出的弱监督多侧方法在三组动脉造影数据集中优于三种著名的弱监督学习方法，实现最高的分割性能。大量消融研究确认了该模型在不同参数下的稳定性能。最后，该模型被应用于机器人辅助导管术实验中的工具分割。该模型为导线和导管提供高连接性指数，平均处理时间为每帧 35 毫秒。
引用
@article{arxiv.2404.07594,
title = {Weakly-Supervised Learning via Multi-Lateral Decoder Branching for Tool Segmentation in Robot-Assisted Cardiovascular Catheterization},
author = {Olatunji Mumini Omisore and Toluwanimi Akinyemi and Anh Nguyen and Lei Wang},
journal= {arXiv preprint arXiv:2404.07594},
year = {2025}
}