ConsisTNet:在内镜下垂体手术中实现一致的解剖定位的时空方法
Zhehua Mao1,2, Adrito Das3, Danyal Z Khan3,4
1Department of Computer Science, University College London, London, UK. z.mao@ucl.ac.uk.
概括
通过提高对一致性,ConsisTNet可增强内镜下垂体手术中的解剖本地化. 这种新的时空深度学习模型提供了更稳定,更可靠的实时手术指导.
科学领域:
- 神经外科 神经外科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 关键解剖结构的自动定位对于内镜下垂体手术的安全性和结果至关重要.
- 当前的深度学习模型往往缺乏框架对框架的一致性,限制了它们的手术内实用性.
研究的目的:
- 引入ConisTNet,一种新的时空模型,以提高预测稳定性和一致性.
- 为解决基于深度学习的下垂体外科手术的解剖本地化中的框架对框架不一致性.
主要方法:
- ConsisTNet利用连续的时空特征进行一致的预测.
- 对于伪标签生成,采用了带有标签传播的半监督策略.
- TensorRT用于模型优化和加速实时性能.
主要成果:
- ConsisTNet显著提高了细分一致性 (4.56-9.45%的IOU增加) 和里程碑检测一致性 (43.86%的错误减少).
- 加速模型以FP16精度实现了202 FPS的推断速度.
- 与最先进的模型相比,ConsisTNet显示出更高的一致性.
结论:
- ConsisTNet为解剖学定位提供了实质性的空间时间一致性改进.
- 该模型在内镜下垂体手术中提供了更稳定,更可靠的实时手术辅助.
