机构名称：
¥ 1.0
摘要。研究人员和行业之间的共识指出，缺乏大型，代表性的注释数据集是手术数据科学领域进步的最大障碍。自我监督学习（SSL）的进步代表了一个解决方案，通过提供任务不合时宜的初始化来降低对大型标记数据集的依赖。然而，当前的自我监督学习方法对领域转移的鲁棒性尚不清楚，从而限制了我们对利用多种外科数据来源的效用的理解。将焦点从方法转移到数据，我们证明了基于SSL的初始化的下游值与预训练数据集的组成无关紧要。这些结果强调了一个重要的差距，当我们扩展自我监督的方法以构建通用的“ Foun-Dation模型”时，需要填补这一差距，该方法可以在手术领域内进行多种用例。通过受控实验的几个阶段，我们开发了预处理数据集组成的建议，这些数据集组成通过300多个实验，涵盖20个预训练数据集，9个手术程序，7个中心（医院），3个标签DATA设置，3个下游任务以及多次运行。使用此处描述的方法，我们在两个公共基准测试中均优胜于阶段识别的预先培训：cholec80上的2.2％，自动帕拉的培训最高为5.1％。
跳跃手术计算机视觉
主要关键词
相关文件推荐
