在脑血管学中,自动化导管细分和尖端检测使用拓意识的几何深度学习
Rahul Ghosh1,2, Kelvin Wong3,4, Yi Jonathan Zhang5
1Systems Medicine and Bioengineering, Houston Methodist Research Institute, Houston, Texas, USA.
Journal of neurointerventional surgery
|June 21, 2023
概括
一种新的深度学习方法在脑血管学中准确地分割了导管和导线,为人工智能增强的机器人神经干预和改善患者结果铺平了道路.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经外科 神经外科
背景情况:
- 对导管和导线的准确视觉感知对于神经干预至关重要.
- 目前的内血管机器人缺乏"看到"血管内器件的能力,限制了AI集成.
- 现有的深度学习模型对于神经干预的复杂同轴装置结构是不够的.
研究的目的:
- 开发一种基于深度学习的自动和准确的方法,用于大脑血管学中的导管细分.
- 为了实现人工智能增强,提高神经干预程序的精度和自主性.
主要方法:
- 提出了一个拓意识的几何深度学习 (TAG-DL) 方法.
- 将TAG-DL方法与UNet,nnUNet和TransUNet进行了比较.
- 模型在正面视图上接受训练,并在未见的正面和侧面视图上进行测试,使用中心线子得分和尖端距离误差来评估性能.
主要成果:
- nnUNet模型实现了最高的性能,平均中心线-迪斯分数为0.98 ±0.01和中位尖端距离误差为0.43毫米.
- 整合数字减法口罩显著改善了看不见的患者的性能,包括横向视图.
- 拟议的TAG-DL和nnUNet模型的表现优于基线UNet和TransUNet模型.
结论:
- 这项研究为机器人神经干预提供了人工智能增强的第一步.
- 开发的细分方法显示了提高神经干预程序的精度,自主性和安全性的潜力.
- 这一进步可以提高神经干预工作人员的能力.
