在微血管解剖模拟过程中,深度学习检测手部运动,由专家脑血管神经外科医生执行

科学领域:

• 神经外科 神经外科
• 外科手术技能的评估.
• 医疗技术 医疗技术 医学技术

背景情况:

• 传统的外科评估依赖于主观观察.
• 运动跟踪的物理传感器可能是繁和侵入性的.
• 深度学习为精确的运动分析提供了一种非侵入性方法.

研究的目的:

• 用深度学习量化评估脑血管神经外科医生在模拟的微血管解剖术期间的手动.
• 探索经验丰富的外科医生之间手术运动数据的差异.
• 展示深度学习对手术任务无监督评估的潜力.

主要方法:

• 一个深度学习系统跟踪了5名专家外科医生的21个手和手腕地标.
• 分析了外科手术运动的粗大和微小动作.
• 定量算法评估了运动经济 (运动距离) 和流动 (接间的时间).

主要成果:

• 深度学习跟踪与观察到的外科手术行为相关.
• 外科医生之间运动的经济性有所不同 (19-29像素).
• 运动流 (接间的时间) 显示出显著的变化 (7.37-47.21秒).

结论:

• 深度学习手跟踪揭示了专家外科医生的运动的相似之处,其特点是低基线运动和节奏模式.
• 鉴定出了独特的运动模式,反映了个别的手术技术.
• 基于深度学习的运动分析可用于评估外科技能和加强培训.