《表4 不同方法Seg-acc对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于无监督深度学习的多模态手术轨迹快速分割方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如表4所示，在诸多手术轨迹分割聚类方法中，本文的TSC-DCED-Net方法达到了最优的分割准确度，较之其他方法提升了4.2%～26.1%.从整体数据来看，穿针任务的分割准确度要略高于缝合任务，且增加视频数据后的专家示范并不一定能达到最好的分割效果，我们猜想这是由于数据和模型的契合程度导致的结果.在实验过程中发现，对于穿针任务，调整运动学数据和视频数据在聚类中的权重参数为8:1可以达到最优的分割结果，而对缝合任务，调整该比例为2:1可以达到最优的分割结果，对这种现象作进一步分析，发现聚类模型在不同的任务中会对数据类型表现出不同的适应性，对穿针任务这种较为规则的任务，聚类模型对运动学数据表现出较好的适应性，反之对缝合任务这种复杂程度高、规律程度较差的任务，视频数据会有更好的适应性.这也从侧面解释了专家示范分割准确度的问题，专家示范往往更加平滑和迅速，数据会显得更加规则平整，在视频数据的作用下，其分割准确度的提升不如“不规则”的非专家示范显著，对比只使用运动学数据的TSC-K方法的结果，更能印证这一结论，即聚类模型在规则任务中对运动学数据的适应性较好，在复杂任务中对视频数据的适应性较好.