脊柱内镜中的深度学习:用于神经组织检测的神经网络模型
Hyung Rae Lee1, Wounsuk Rhee2, Sam Yeol Chang3
1Department of Orthopedic Surgery, Korea University Anam Hospital, Seoul 02841, Republic of Korea.
Bioengineering (Basel, Switzerland)
|November 27, 2024
概括
一个新的深度学习模型在双门内镜脊柱手术 (BESS) 期间准确地细分神经组织,提高了安全性和有效性. 这种人工智能工具有助于外科医生,特别是那些经验较少的外科医生,在微创脊柱手术中改善患者的治疗结果.
科学领域:
- 神经外科 神经外科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 双门内镜脊柱手术 (BESS) 提供最少的侵入性益处,但存在诸如持续撕裂和神经损伤等风险.
- 精确的神经结构的手术内识别对于BESS的安全性和有效性至关重要.
研究的目的:
- 开发和评估一个深度学习模型,用于在BESS中自动化神经组织细分.
- 通过改进可视化来提高手术安全性和改善患者的治疗结果.
主要方法:
- 使用了一个类似于U-Net的卷积神经网络架构.
- 该模型在28个BESS程序的图像数据 (2307个培训,635个验证图像) 上进行了训练和验证.
- 使用迪斯-索伦森系数,贾卡德指数,精度,回忆和处理速度来评估性能.
主要成果:
- 最好的模型获得了0.824的迪斯-索伦森系数和0.701.70的贾卡德指数.
- 观察到高精度 (0.810) 和回忆 (0.839),平均精度为0.890.
- 该模型以43ms/frame (23.3fps) 的速度展示了高效的图像处理,使实时应用成为可能.
结论:
- 开发的基于U-Net的模型在BESS的神经组织细分方面表现强.
- 这种人工智能工具有可能显著支持脊柱外科医生,特别是那些经验有限的外科医生.
- 进一步开发可以提高该技术的临床适用性和对外科手术结果的影响.
