深度学习HRNet FCN用于腹腔镜胰腺手术中的血管识别
Jile Shi1, Ruohan Cui1, Zhihong Wang1
1Peking Union Medical College, Chinese Academy of Medical Sciences, 100730, Beijing, China.
NPJ digital medicine
|May 1, 2025
概括
一个新的AI模型HRNet-FCN在复杂的腹腔镜胰腺手术中准确识别关键血管. 这项技术提高了外科手术的精度和安全性,可能减少了远端胰腺切除和Whipple手术等手术中的并发症.
科学领域:
- 最少侵入性的手术
- 医学成像人工智能 医学成像人工智能
- 手术瘤学手术瘤学
背景情况:
- laparoscopic 胰腺手术由于复杂的解剖学和接近重要的血管结构,如上层介质静脉 (SMV) -门静脉 (PV) 轴和静脉,提出了重大挑战.
- 这些关键血管的手术内损伤的风险可能导致严重的并发症.
研究的目的:
- 评估高分辨率网络 (HRNet) - 全卷积网络 (FCN) 模型在腹腔镜胰腺手术期间准确识别血管轮的有效性.
- 评估这种人工智能模型的潜力,以提高外科手术的安全性和结果.
主要方法:
- 该HRNet-FCN模型使用一个大型数据集进行训练和验证,其中包括12694张来自腹腔镜远部胰腺切除术 (LDP) 视频的图像和35986张来自惠普尔手术视频的图像.
- 计算了包括Dice系数,回忆和精度在内的性能指标,以评估模型在血管细分中的准确性.
主要成果:
- HRNet-FCN模型表现出强的性能,实现了0.754的平均子系数,85.00%的回忆率和91.10%的精度.
- 该模型在LDP和Whipple程序中表现出强大的概括能力.
- 实现了每秒11的实时处理速度,适用于手术内应用.
结论:
- HRNet-FCN模型显示了在腹腔镜胰腺手术中准确识别解剖标志和血管结构的巨大潜力.
- 这种人工智能工具可以提高手术精度,潜在地减少手术并发症,并改善复杂的胰腺切除患者的结果.
