M1: synthetische Instrumente gegen echte Annotationen – Hypothese widerlegt
Kann eine Instrumentensegmentierung, die nur mit gerenderten Fasszangen und L-Haken trainiert wurde, mit demselben Modell auf echten Annotationen mithalten? Nein. Auf 7 zurückgehaltenen CholecSeg8k-Videos erreicht das rein synthetische Modell einen IoU von 0,116, das Modell mit echten Annotationen 0,772. Das 95-%-Intervall des Abstands, −75,9 bis −53,5 Punkte, liegt weit jenseits der vorab festgelegten Toleranz von 2 Punkten.
- Synthetisch, dann 10 % echt: 0,775, so gut wie alle echten Annotationen. Ohne Kontrollarm zeigt das nicht, was der synthetische Schritt beiträgt.
- Testdisziplin: 3 Seeds pro Arm; jedes gewählte Modell lief einmal auf dem Test.
Status: Hypothese widerlegt. Details, offene Fragen und die nächsten Experimente stehen in Können synthetische Instrumente echte Annotationen ersetzen?
M5: chirurgischen Rauch entfernen – unvollständige Serie
Die ersten trainierten Modelle stellen aus einem verrauchten laparoskopischen Bild das klare Bild wieder her. Sie wurden mit synthetischem Rauch über Bildern aus CholecT50 trainiert, mit Aufteilung nach Video, und mit dem unbearbeiteten verrauchten Bild verglichen.
- Residual U-Net: 33,08 dB PSNR gegenüber 28,99 für die Eingabe (+4,09); besser als die Eingabe bei jeder Rauchdichte.
- Pix2Pix: 27,85 dB (−1,14); verschlechtert Bilder mit leichtem Rauch.
- SRGAN: in drei Versuchen nicht konvergiert.
Status: unvollständig. Es ist ein Seed auf der Validierungsaufteilung; die Testaufteilung wurde nicht angerührt, und es ist kein Modell veröffentlicht. Die negativen Ergebnisse – das Training auf Ausschnitten und die drei SRGAN-Versuche – stehen in Chirurgischen Rauch entfernen: die ersten Basismodelle.
Wie das Protokoll funktioniert
Die erste Serie, die oben gezeigten Basismodelle zur Rauchentfernung, ist der Vergleichspunkt für spätere Experimente. Jedes Experiment vergleicht eine Architekturänderung unter gleichen Bedingungen mit einer Baseline:
- eine feste patientenbezogene Datenaufteilung;
- dasselbe Rechenbudget;
- mindestens drei vollständige Läufe mit unterschiedlichen Seeds.
Eine Experimentkarte verknüpft die Hypothese, die Änderung, die Datenversion, die Ergebnisse jedes Laufs, die Unsicherheit und den Schluss.
Negative Ergebnisse zählen gleich
Gescheiterte und nicht eindeutige Experimente werden neben erfolgreichen veröffentlicht. Eine unvollendete Reihe wird als solche gekennzeichnet: Sie darf nicht als Beweis dafür dargestellt werden, dass es keinen Effekt gibt.
Demonstrationen
Ein kurzer Ausschnitt zu einem Experiment erscheint nur, wenn das Ausgangsmaterial gezeigt werden darf, der Ausschnitt die Lauf-ID trägt und ein Mensch die Veröffentlichung freigegeben hat. Illustrationen auf dieser Website sind keine Experimentergebnisse.