RAMIE Dataset

RAMIE数据集是由荷兰乌得勒支大学医学中心创建的，专门用于机器人辅助微创食管切除术（RAMIE）的手术阶段识别。该数据集包含27个视频，涵盖了从胸腔入口到食管分割前的胸腔阶段，共识别出13个不同的手术阶段。数据集的创建过程包括由生物医学工程博士生在医学博士生和专家外科医生的指导下进行视频标注，标注帧率为25帧每秒。该数据集旨在通过提供复杂的时序动态数据，支持手术阶段的识别和分析，从而优化手术流程并提高食管癌治疗的效果。The RAMIE dataset was developed by the University Medical Center Utrecht in the Netherlands, specifically for surgical phase recognition during robot-assisted minimally invasive esophagectomy (RAMIE). This dataset comprises 27 videos covering the thoracic phase from the thoracic inlet to pre-esophageal dissection, with a total of 13 distinct surgical phases identified. The dataset was constructed via video annotation conducted by biomedical engineering PhD candidates under the supervision of medical PhD candidates and expert surgeons, with an annotation frame rate of 25 frames per second. This dataset aims to support surgical phase recognition and analysis by providing complex temporal dynamic data, thereby optimizing surgical workflows and improving the therapeutic outcomes of esophageal cancer treatment.

搜集汇总

数据集介绍

构建方式

RAMIE数据集的构建基于27个随机选择的机器人辅助微创食管切除术（RAMIE）视频，这些视频从乌得勒支大学医学中心（UMCU）的手术记录库中获取，时间跨度为2018年1月至2021年7月。该数据集专注于手术的胸腔阶段，涵盖了从初始摄像机进入胸腔到食管分割前的所有步骤。根据Kingma等人的标准化胸腔解剖方法，数据集被细分为13个不同的手术阶段，包括11个主要由解剖区域定义的阶段以及额外的非标准动作和摄像机移出体外的阶段。视频由生物医学工程的博士生进行标注，每秒25帧，最终数据集被划分为14个训练视频、4个验证视频和9个测试视频，所有模型均以每秒1帧的速度进行训练。

特点

RAMIE数据集的主要特点在于其复杂性和多样性。该数据集不仅涵盖了多个解剖区域，还包含了大量的重复阶段和非顺序的阶段转换，这使得其相较于其他公开的手术阶段识别数据集更具挑战性。此外，数据集中的阶段序列因手术习惯和患者解剖结构的不同而存在显著变异性，这为模型捕捉手术过程中的复杂时序动态提供了丰富的训练样本。

使用方法

RAMIE数据集主要用于机器人辅助微创食管切除术的手术阶段识别任务。研究人员可以利用该数据集训练和验证各种深度学习模型，以识别手术视频中的不同阶段。数据集的划分方式为14个训练视频、4个验证视频和9个测试视频，确保了模型训练和评估的合理性。通过使用该数据集，研究人员可以开发和优化手术阶段识别模型，从而为手术过程中的实时决策支持和术后分析提供技术支持。

背景与挑战

背景概述

RAMIE数据集是由荷兰埃因霍温理工大学和乌得勒支大学医学中心的研究团队于2024年创建的，专注于机器人辅助微创食管切除术（RAMIE）的手术阶段识别。该数据集包含27个手术视频，主要关注手术的胸腔阶段，涵盖13个不同的手术阶段。RAMIE手术因其复杂性和非线性阶段转换而备受关注，尤其是在食管癌治疗中，其精准的手术阶段识别对于提高手术效率和患者安全至关重要。该数据集的开发旨在通过深度学习模型提供术中支持，推动手术数据科学的发展，并为未来的模型开发奠定基础。

当前挑战

RAMIE数据集面临的挑战主要集中在手术阶段的复杂性和非线性转换上。首先，手术阶段的顺序在不同病例中存在显著变异性，这增加了模型捕捉时间动态的难度。其次，手术视频中的非标准动作（如过度摄像机移动、异常事件等）进一步增加了标注和模型训练的复杂性。此外，手术阶段的长度不均衡以及关键阶段（如右胸膜分离和AP淋巴结清扫）的识别难度，也对模型的准确性提出了高要求。最后，当前的评估指标未能充分捕捉模型对阶段起始点的识别能力，这在临床应用中尤为关键。

常用场景

经典使用场景

RAMIE数据集的经典使用场景主要集中在机器人辅助微创食管切除术（RAMIE）的手术阶段识别任务中。该数据集通过27个手术视频，详细记录了从胸腔入口到食管分割前的胸腔阶段，涵盖了13个不同的手术阶段。这些视频为研究人员提供了丰富的时序动态信息，使得深度学习模型能够更好地捕捉手术过程中的复杂阶段变化和非顺序阶段转换。通过该数据集，研究人员可以开发和验证用于手术阶段识别的先进模型，从而为术中决策支持和术后分析提供技术支持。

实际应用

RAMIE数据集在实际应用中具有广泛的潜力，特别是在机器人辅助微创食管切除术的术中支持系统中。通过识别手术阶段，系统可以实时提供关键的解剖结构信息，帮助外科医生进行精确的操作，减少手术风险。此外，该数据集还可用于术后分析，评估手术阶段的时间分布和外科医生的表现，从而优化手术流程和培训方案。通过提高手术阶段识别的准确性，该数据集有望在临床实践中显著提升手术的安全性和患者预后。

衍生相关工作

RAMIE数据集的发布和应用催生了一系列相关的经典工作。首先，基于该数据集，研究人员开发了具有编码器-解码器结构和因果层次注意机制的深度学习模型，显著提升了手术阶段识别的性能。其次，该数据集与其他公开数据集（如AutoLaparo）的对比分析，进一步验证了其在复杂手术阶段识别任务中的优势。此外，RAMIE数据集还激发了对手术阶段识别模型的改进研究，特别是在处理非顺序阶段转换和时序动态方面的创新。这些工作不仅推动了手术数据科学的发展，还为未来的临床应用奠定了坚实的基础。