Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Reconnaissance holistique des phases chirurgicales avec modèles d'espace d'état dépendant des entrées hiérarchiques
Created by
Haebom
Auteur
Haoyang Wu, Tsun-Hsuan Wang, Mathias Lechner, Ramin Hasani, Jennifer A. Eckhoff, Paul Pak, Ozanan R. Meireles, Guy Rosman, Yutong Ban, Daniela Rus.
Contour
Dans cet article, nous proposons un modèle hiérarchique d'espace d'état dépendant des entrées afin de résoudre les difficultés liées à la longue durée des images chirurgicales lors de l'analyse du processus chirurgical robotique. Afin de résoudre le problème de vitesse de traitement limitée du modèle Transformer existant, un modèle d'espace d'état avec des caractéristiques d'échelle linéaire est utilisé pour permettre la prise de décision sur l'image entière. Il intègre un extracteur de caractéristiques visuelles temporellement cohérent qui capture les dynamiques locales et globales. Il se compose d'un bloc de modèle d'espace d'état agrégé local qui capture efficacement les dynamiques locales et d'un bloc de modèle d'espace d'état relationnel global qui modélise la dépendance temporelle de l'image entière. Il utilise une stratégie d'apprentissage hybride combinant des méthodes supervisées discrètes et continues, et présente des résultats nettement supérieurs à ceux des modèles d'espace d'état existants sur les jeux de données Cholec80, MICCAI2016 et Heichole.
Takeaways, Limitations
•
Takeaways:
◦
Une nouvelle approche pour répondre efficacement aux défis du traitement d’images longues dans l’analyse d’images chirurgicales robotisées est présentée.
◦
Obtenir un calcul efficace et une précision améliorée simultanément en tirant parti des avantages du modèle d'espace d'état.
◦
Amélioration de la précision de l’analyse du processus chirurgical en prenant en compte la dynamique locale et globale.
◦
Améliorer les performances des modèles grâce à des approches hybrides supervisées.
◦
Amélioration des performances vérifiée expérimentalement par rapport aux modèles les plus performants existants sur divers ensembles de données.
•
Limitations:
◦
Le code a été rendu public depuis que l’article a été accepté et est actuellement inaccessible.
◦
Des recherches supplémentaires sont nécessaires pour généraliser les performances entre différents types de chirurgie.
◦
Une analyse plus approfondie de la complexité et du temps de formation du modèle d’espace d’état est nécessaire.
