关键词：机器人辅助微创手术 多模态轨迹分割 无监督深度学习 合并后处理 

摘要：传统的手术机器人轨迹分割方法存在耗时长、分割准确度差且容易产生过度分割等问题.为解决上述问题,本文提出了一种基于特征提取网络DCED-Net(密集连接的卷积编码-解码网络)的多模态手术轨迹分割方法.DCED-Net采用无监督方法,不必进行十分耗时的人工标注,使用密集连接结构,使图像信息能更有效地在卷积层间传递,从而提高了特征提取质量.将特征提取后的视频数据和运动学数据投入转移状态聚类(TSC)模型得到预分割结果.为进一步提高分割精度,提出了一种基于轨迹段间相似性的合并后处理算法,通过衡量轨迹段间的4个相似性指标,包括主成分分析、互信息、数据中心距离和动态时间规整,将相似度高的分割段进行迭代合并,从而降低过度分割造成的影响.公开数据集JIGSAWS上的大量实验证明,与经典的轨迹分割聚类方法相比,本文方法的分割准确率最高提升了48.4%,分割速度加快了6倍以上.

机器人杂志要求:

{1}参考文献必须在文中用[数字]标出对应标号,参考文献统一列在文后。

{2}著作类：作者（译者）姓名、书名、出版地、出版社名称、出版年份、页码（直接引文时标明）。论文类：作者姓名、文章名、所载报刊名称、年份、期号、页码。

{3}如一旦发现一稿两用，本刊将刊登该文系重复发表的声明，并在3年内拒绝以该文第一作者和通讯作者的任何来稿。

{4}论文题目应当简洁明了，反映论文的主旨。论文题目应便于读者检索、转抄和引用，中文题名不宜超过20个字；外文题名不超过10个实词。不宜采用抒情意味、反问意味的主标题和副标题。

{5}任何来稿视为作者、译者已经阅读或知悉并同意本须知约定。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社