《表4 不同方法Seg-acc对比》
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.
图表编号 | XD0067260900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.01 |
作者 | 谢劼欣、赵红发、邵振洲、施智平、关永 |
绘制单位 | 首都师范大学信息工程学院、成像技术北京市高精尖创新中心、首都师范大学信息工程学院、成像技术北京市高精尖创新中心、首都师范大学信息工程学院、首都师范大学轻型工业机器人与安全验证北京市重点实验室、首都师范大学信息工程学院、成像技术北京市高精尖创新中心、首都师范大学信息工程学院、首都师范大学轻型工业机器人与安全验证北京市重点实验室 |
更多格式 | 高清、无水印(增值服务) |