基于无监督深度学习的多模态手术轨迹快速分割方法

来源：机器人杂志2019年第3期北京时间：

作者：谢劼欣, 赵红发, 邵振洲, 施智平, 关永

摘要：传统的手术机器人轨迹分割方法存在耗时长、分割准确度差且容易产生过度分割等问题.为解决上述问题，本文提出了一种基于特征提取网络DCED-Net（密集连接的卷积编码-解码网络）的多模态手术轨迹分割方法.DCED-Net采用无监督方法，不必进行十分耗时的人工标注，使用密集连接结构，使图像信息能更有效地在卷积层间传递，从而提高了特征提取质量.将特征提取后的视频数据和运动学数据投入转移状态聚类（TSC）模型得到预分割结果.为进一步提高分割精度，提出了一种基于轨迹段间相似性的合并后处理算法，通过衡量轨迹段间的4个相似性指标，包括主成分分析、互信息、数据中心距离和动态时间规整，将相似度高的分割段进行迭代合并，从而降低过度分割造成的影响.公开数据集JIGSAWS上的大量实验证明，与经典的轨迹分割聚类方法相比，本文方法的分割准确率最高提升了48.4%，分割速度加快了6倍以上.

关键词：机器人辅助微创手术, 多模态轨迹分割, 无监督深度学习, 合并后处理