Stammdaten

Titel: Instrument Recognition in Laparoscopy for Technical Skill Assessment
Untertitel:
Kurzfassung:

Laparoscopic skill training and evaluation as well as identifying technical errors in surgical procedures have become important aspects in Surgical Quality Assessment (SQA). Typically performed in a manual, time-consuming and effortful post-surgical process, evaluating technical skills for a large part involves assessing proper instrument handling as the main cause for these type of errors. Therefore, when attempting to improve upon this situation using computer vision approaches, the automatic identification of instruments in laparoscopy videos is the very first step toward a semi-automatic assessment procedure. Within this work we summarize existing methodologies for instrument recognition, while proposing a state-of-the-art instance segmentation approach. As a first experiment in the domain of gynecology, our approach is able to segment instruments well but a much higher precision will be required, since this early step is critical before attempting any kind of skill recognition.

Schlagworte: Surgical instrument detection, Multi-instance segmentation, Multiclass classification, Skill assessment, Gynecology, Laparoscopy
Publikationstyp: Beitrag in Proceedings (Autorenschaft)
Art der Veröffentlichung Online Publikation
Erschienen in: Proceedings of the 26th International Conference in MultiMedia Modeling (MMM 2020) (Part II)
Proceedings of the 26th International Conference in MultiMedia Modeling (MMM 2020) (Part II)
zur Publikation
 ( Springer; W. Cheng, J. Kim, W. Chu, P. Cui, J. Choi, M. Hu, W. De Neve )
Erscheinungsdatum: 24.12.2019
Titel der Serie: Lecture Notes in Computer Science
Bandnummer: 11962
Erstveröffentlichung: Ja
Version: -
Seite: S. 589 - 600

Identifikatoren

ISBN:
  • 978-3-030-37733-5
  • 978-3-030-37734-2
ISSN: -
DOI: http://dx.doi.org/10.1007/978-3-030-37734-2_48
AC-Nummer: -
Homepage: https://link.springer.com/chapter/10.1007%2F978-3-030-37734-2_48
Open Access
  • Online verfügbar (Open Access)

Zuordnung

Organisation Adresse
Fakultät für Technische Wissenschaften
 
Institut für Informationstechnologie
Universitaetsstr. 65-67
9020  Klagenfurt am Wörthersee
Österreich
  -3699
   martina.steinbacher@uni-klu.ac.at
http://itec.aau.at/
zur Organisation
Universitaetsstr. 65-67
AT - 9020  Klagenfurt am Wörthersee

Kategorisierung

Sachgebiete
  • 202022 - Informationstechnik
Forschungscluster Kein Forschungscluster ausgewählt
Peer Reviewed
  • Ja
Publikationsfokus
  • Science to Science (Qualitätsindikator: II)
Klassifikationsraster der zugeordneten Organisationseinheiten:
Arbeitsgruppen
  • Distributed Multimedia Systems

Kooperationen

Organisation Adresse
UNIVERSITE DE BORDEAUX 1 / LABRI lab
351, COURS DE LA LIBERATION
33405  TALANCE
Frankreich
351, COURS DE LA LIBERATION
FR - 33405  TALANCE
Medizinische Universität Wien
Spitalgasse 23
1090  Wien
Österreich
Spitalgasse 23
AT - 1090  Wien

Beiträge der Publikation

Keine verknüpften Publikationen vorhanden