購物車(0)
基于無監督深度學習的多模態手術軌跡快速分割方法
關鍵詞：機器人輔助微創手術 多模態軌跡分割 無監督深度學習 合并后處理
摘要：傳統的手術機器人軌跡分割方法存在耗時長、分割準確度差且容易產生過度分割等問題.為解決上述問題,本文提出了一種基于特征提取網絡DCED-Net(密集連接的卷積編碼-解碼網絡)的多模態手術軌跡分割方法.DCED-Net采用無監督方法,不必進行十分耗時的人工標注,使用密集連接結構,使圖像信息能更有效地在卷積層間傳遞,從而提高了特征提取質量.將特征提取后的視頻數據和運動學數據投入轉移狀態聚類(TSC)模型得到預分割結果.為進一步提高分割精度,提出了一種基于軌跡段間相似性的合并后處理算法,通過衡量軌跡段間的4個相似性指標,包括主成分分析、互信息、數據中心距離和動態時間規整,將相似度高的分割段進行迭代合并,從而降低過度分割造成的影響.公開數據集JIGSAWS上的大量實驗證明,與經典的軌跡分割聚類方法相比,本文方法的分割準確率最高提升了48.4%,分割速度加快了6倍以上.
機器人雜志要求:
{1}參考文獻必須在文中用[數字]標出對應標號,參考文獻統一列在文后。
{2}著作類：作者（譯者）姓名、書名、出版地、出版社名稱、出版年份、頁碼（直接引文時標明）。論文類：作者姓名、文章名、所載報刊名稱、年份、期號、頁碼。
{3}如一旦發現一稿兩用，本刊將刊登該文系重復發表的聲明，并在3年內拒絕以該文第一作者和通訊作者的任何來稿。
{4}論文題目應當簡潔明了，反映論文的主旨。論文題目應便于讀者檢索、轉抄和引用，中文題名不宜超過20個字；外文題名不超過10個實詞。不宜采用抒情意味、反問意味的主標題和副標題。
{5}任何來稿視為作者、譯者已經閱讀或知悉并同意本須知約定。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
