在手动小切口白内障手术中使用MS-TCN++对新型SICS-105数据集进行相位识别

科学领域:

• 眼科医生 眼科 眼科
• 计算机视觉 计算机视觉
• 医疗成像医学成像

背景情况:

• 手动小切口白内障手术 (SICS) 在低收入和中等收入国家 (LMICs) 被广泛使用.
• 对SICS的计算机辅助手术和深度学习 (DL) 应用尚未得到充分研究.
• 手术程序的自动化分析可以增强培训和术后评估.

研究的目的:

• 引入第一个SICS视频数据集 (SICS-105).
• 评估深度学习模型 (MS-TCN++) 在SICS.中的阶段识别的有效性.
• 使用白内障-101数据集,将SICS上的DL性能与发泡乳化进行比较.

主要方法:

• 一项涉及印度Sankara眼科医院105名SICS患者的前性横截面研究.
• 开发SICS-105数据集,包括手术视频.
• 应用MS-TCN++深度学习架构用于手术阶段识别.
• 使用框架精度,编辑距离,F1分数,精度召回AUC,灵敏度和特异性进行性能评估.

主要成果:

• 该MS-TCN++模型在SICS-105数据集上达到85.56%的准确性,在Cataract-101数据集上达到89.97%.
• 对于SICS-105的ROC AUC值在46.20%至94.18%之间,平均值为98.22%.
• 深度学习对于SICS阶段识别是有效的,但由于更多的阶段和更长的持续时间,SICS比化具有更大的挑战.

结论:

• 深度学习模型可以有效地应用于识别手动小切口白内障手术的阶段.
• 现在SICS-105数据集是开放访问的,以促进进一步的研究和开发.
• 这项工作是改善术后分析和SICS程序培训的重要一步.