一种基于LSTM-AE的呼吸运动预测方法,用于脊柱手术的注意力机制

科学领域:

• 医疗技术 医疗技术 医学技术
• 人工智能在医学中的应用
• 脊柱外科手术 脊柱外科手术

背景情况:

• 呼吸运动导致脊椎运动,损害了手术内脊柱手术的准确性和安全性.
• 由于运动导致的位置信息不准确,可能导致意外的手术损伤.
• 现有的方法可能缺乏适应性和实时性能,以适应动态的外科环境.

研究的目的:

• 开发一种新的深度学习架构,用于预测脊柱手术期间患者特定的呼吸运动.
• 为了实现实时运动预测,具有高精度和高效率,用于手术内使用.
• 在外科手术过程中,使用几次射击学习来调整预测模型.

主要方法:

• 提出了一种长期短期记忆自编码器 (LSTM-AE),具有用于呼吸运动预测的注意力机制.
• 实施了基于物理脊椎脊椎运动的尺寸缩小技术,以实现实时性能.
• 训练并验证了模型,使用在全身麻醉下倾斜位置的患者的数据.

主要成果:

• 该LSTM-AE方法实现了4.39%RMSE的预测准确度,优于其他方法.
• 该模型表现出高时间效率,学习时间约为2分钟.
• 在x,y和z轴上的最大预测误差分别为0.13,0.07和0.10毫米,在333毫秒的延迟时间内,在2毫米的运动范围内.

结论:

• 拟议的LSTM-AE深度学习架构有效地预测脊椎手术中的呼吸诱导的脊椎运动.
• 该方法提供了高精度,实时性能和适应性,用于手术内应用.
• 这项技术有可能在脊柱手术期间显著提高手术精度和患者安全.