التكيف غير المشرف للنطاق لتقدير وضعية الطبيب وتقسيم الحالة في غرفة العمليات

التحديد الدقيق لمواقع الأطباء في غرفة العمليات (OR) هو مكون أساسي لتصميم أنظمة دعم الجيل الجديد من غرف العمليات. يتطلب فهم أفضل لأنشطة العمل السريري وتخطيط المساحة في غرفة العمليات نماذج رؤية حاسوبية للتقسيم المستند إلى بكسل الشخص وكشف نقاط الجسم الرئيسية. يعد هذا تحديًا، ليس فقط بسبب اختلاف صور غرفة العمليات بشكل كبير عن مجموعات البيانات التقليدية للرؤية الحاسوبية، ولكن أيضًا بسبب صعوبة جمع وإنشاء البيانات والشروح في غرفة العمليات بسبب مخاوف الخصوصية. لمعالجة هذه المخاوف، ندرس أولاً كيف يمكن تنفيذ تقدير وضع الشخص والتقسيم الفرعي باستخدام صور ذات دقة منخفضة بمعامل تقليل يتراوح بين 1x و12x. ثانيًا، لمعالجة التحول النطاقي ونقص الشروح، نقترح طريقة جديدة للتكيف غير المشرف على النطاق، تسمى AdaptOR، لتكييف نموذج من مجال مصدر مصنف بشكل طبيعي إلى مجال هدف مختلف إحصائيًا وغير مصنف. نقترح استغلال قيود هندسية صريحة على التحويلات المختلفة لصورة المجال الهدف غير المصنفة لإنتاج شروح زائفة دقيقة واستخدام هذه الشروح الزائفة لتدريب النموذج على صور غرفة العمليات ذات الدقة العالية والمنخفضة في إطار تدريب ذاتي. بالإضافة إلى ذلك، نقترح تطبيع الميزات المنفصلة للتعامل مع بيانات المجال المصدر والمجال الهدف التي تختلف إحصائيًا. تظهر النتائج التجريبية الواسعة مع دراسات إلغاء التركيب التفصيلية على مجموعتي البيانات MVOR+ وTUM-OR-test فعالية نهجنا مقابل خطوط الأساس محكمة البناء، خاصة بالنسبة للصور ذات الدقة المنخفضة التي تحافظ على الخصوصية في غرفة العمليات. أخيرًا، نوضح عمومية طريقتنا كطريقة تعلم شبه مشرف (Semi-Supervised Learning - SSL) على مجموعة البيانات الكبيرة COCO، حيث نحقق نتائج مشابهة باستخدام نسبة مراقبة مصنفة تبلغ 1% فقط مقابل نموذج تم تدريبه باستخدام نسبة مراقبة مصنفة تبلغ 100%.