手术光学:超光谱成像和深度学习,以实现精确的手术内自动组织识别-EX-MACHYNA试验的结果

科学领域:

• 手术技术 手术技术
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 超光谱成像 (HSI) 和机器学习可以识别独特的组织签名,以便在手术期间自动识别.
• 这项研究旨在开发使用人类数据的第一个基于HSI的自动腹部组织识别系统.
• 这项研究是在前性,双中心环境中进行的.

研究的目的:

• 开发和验证基于HSI的系统,用于在临床外科环境中自动识别腹部组织.
• 创建一个强大的数据集的超光谱图像从腹部手术的机器学习分析.
• 评估HSI的可行性和性能,用于手术内组织识别.

主要方法:

• 收集了来自两家国际医院接受选择性开放腹部手术的患者的高光谱图像.
• 由此产生的RGB图像带有13个不同的器官标签.
• 采用卷积神经网络 (CNN) 来进行图像分析,利用内部和外部验证策略.

主要成果:

• 内部验证显示了强的表现,皮肤 (100%) 和肝脏 (97%) 的真实阳性率高.
• 十个组织类的DICE得分中位数超过了80%.
• 鉴定出类似胚胎起源的组织之间错误分类 (/介质) 或具有重叠边界 (肝/肝带) 的组织.

结论:

• 多中心,准确的HSI数据集对于推进自动手术场景细分和临床翻译至关重要.
• 需要进一步的研究来量化HSI在手术中的临床价值.
• HSI具有将其整合到一个新领域的潜力,即"手术光学",用于提取可量化的组织特征.