PitRSDNet：预测内镜垂体手术中的剩余手术时间
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
本文介绍了多种深度学习方法在手术视频分析中的应用，包括RSDNet、MTMS-TCN、FedCy、STAR-Net和SuPRA等。这些方法通过自动识别手术阶段和步骤，提高了预测准确性和识别性能。此外，OphNet数据集为眼科手术工作流分析提供了丰富的视频资源，推动了微创手术的发展。
❓
Q&A
RSDNet是如何提高手术时间预测准确性的？
RSDNet通过仅使用腹腔镜视频的视觉信息自动预测术中剩余手术时间，显著提高了预测准确性，且无需手动标注。
MTMS-TCN的主要特点是什么？
MTMS-TCN是一种多任务多阶段时间卷积网络，旨在联合识别手术活动的阶段和步骤，提升识别精确性和召回率。
FedCy方法如何提高手术阶段识别性能？
FedCy结合了带标签和未标记视频的数据，通过联邦半监督学习提高了手术阶段识别的性能。
OphNet数据集的特点是什么？
OphNet是一个包含2,278个手术视频的大规模眼科手术工作流理解视频基准，提供详细的注释和时间定位信息。
SuPRA方法如何改进术中辅助？
SuPRA通过识别手术阶段和预测未来事件，为改进术中辅助提供了新的途径。
PRINTNet模型的作用是什么？
PRINTNet模型通过实时追踪技术自动评估外科技巧，发现手术总时间与器械可见时间的比率与外科技巧水平相关。
🏷️
