본 논문은 로봇 최소 침습 수술의 증가하는 인기에 따라 심층 학습 기반 수술 훈련이 중요한 연구 분야가 되었다는 점을 배경으로 합니다. 수술 장면 구성 요소에 대한 철저한 이해가 중요하며, 이를 위해 의미론적 분할 모델이 도움이 될 수 있습니다. 기존 연구는 수술 도구에 집중하고 해부학적 객체는 간과하는 경향이 있으며, 최첨단 모델은 고차원 문맥적 특징과 저차원 에지 특징을 모두 포착하는 데 어려움을 겪습니다. 본 논문에서는 저차원 특징 투영(LLFP) 스트림과 고차원 특징 투영(HLFP) 스트림이라는 두 개의 별개의 처리 스트림을 통해 다양한 특징 해상도에 대한 여러 수준의 세부 정보를 포착하도록 설계된 특징 적응 공간 위치 지정 모델(FASL-Seg)을 제안합니다. EndoVis18 및 EndoVis17 수술 분할 벤치마크 데이터셋에서 세 가지 사용 사례에 대해 FASL-Seg를 평가했습니다. FASL-Seg 모델은 EndoVis18의 부품 및 해부학 분할에서 72.71%의 평균 IoU(mIoU)를 달성하여 최첨단 성능을 5% 향상시켰습니다. 또한 EndoVis18 및 EndoVis17 도구 유형 분할에서 각각 85.61% 및 72.78%의 mIoU를 달성하여 전반적인 최첨단 성능을 능가했습니다. 두 데이터셋 모두에서 클래스별 최첨단 결과와 비슷한 결과를 얻었으며, 해부학 및 기구에 대해 다양한 클래스에서 일관된 성능을 보여 다양한 특징 해상도에 대한 별개의 처리 스트림의 효과를 입증했습니다.
시사점, 한계점
•
시사점:
◦
저차원 및 고차원 특징을 모두 고려하는 다중 스트림 아키텍처를 통해 수술 도구와 해부학적 구조의 정확한 분할 성능 향상.
◦
EndoVis18 및 EndoVis17 데이터셋에서 최첨단 성능을 능가하는 결과 달성.
◦
다양한 해부학적 구조와 수술 도구에 대한 일관된 성능.
•
한계점:
◦
제시된 모델의 일반화 성능에 대한 추가적인 연구 필요. 다양한 수술 유형 및 환경에 대한 테스트 결과가 제한적임.
