相关实验视频
Updated: Jun 8, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
369
深度学习在机器人前列腺切除中用于语义细分的应用:卷积神经网络和视觉变压器的比较
Sahyun Pak1, Sung Gon Park2, Jeonghyun Park3
1Department of Urology, Kangnam Sacred Heart Hospital, Hallym University College of Medicine, Seoul, Korea. qkrtkgus0@naver.com.
Investigative and clinical urology
|November 6, 2024
概括
卷积神经网络 (CNN) 在机器人辅助激进前列腺切除术 (RARP) 期间在分割器官中表现优于变压器模型. 在这个手术深度学习应用中,CNN在前列腺,血管和精液囊细分方面表现出卓越的性能.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 手术技术 手术技术
背景情况:
- 深度学习,特别是语义细分,对于外科应用至关重要.
- 卷积神经网络 (CNN) 传统上主导视觉任务,但变压器架构正在出现.
- 在机器人手术中评估这些架构对于推进该领域至关重要.
研究的目的:
- 研究深度学习模型在机器人辅助激进前列腺切除 (RARP) 过程中用于语义细分的性能.
- 为了比较CNN与变压器架构在RARP期间细分外科结构的有效性.
- 在机器人手术中确定细分任务的优越架构.
主要方法:
- 从RARP程序中收集了手术内图像,并将其分为培训和验证集.
- 使用三个CNN模型 (DeepLabv3,MANet,U-Net++) 和三个变压器模型 (SegFormer,BEiT,DPT) 进行了语义细分.
- 基于细分精度指标进行了绩效分析.
主要成果:
- 与RARP中的变压器模型相比,CNN模型通常显示出更高的性能.
- MANet (CNN) 获得了最高的子得分 (0.944),紧随其后的是DeepLabv3 (CNN) 在0.938和DPT (变压器) 在0.940.
- CNN模型在前列腺,血管和精液囊细分方面表现更好.
结论:
- 在RARP过程中,深度学习模型准确地细分了手术仪器和解剖结构.
- 无论是CNN还是变压器模型都提供了可靠的细分,但CNN似乎更适合RARP中的器官细分.
- 在复杂或不寻常的外科手术场景中,CNN模型可能会提供更大的适用性,因此需要使用更大的数据集进行进一步调查.
