深度学习方法用于手术视频细分和对象检测:范围审查
Devanish N Kamtam1, Joseph B Shrager2, Satya Deepya Malla1
1Division of Thoracic Surgery, Department of Cardiothoracic Surgery, Stanford University School of Medicine, Stanford, CA, USA.
Computers in biology and medicine
|June 3, 2025
概括
基于深度学习的计算机视觉模型显示了在手术视频中细分解剖结构的实时潜力,特别是更大的器官. 对于较小的结构和通用性,需要进一步的研究.
科学领域:
- 生物医学工程 生物医学工程
- 计算机视觉 计算机视觉 计算机视觉
- 手术技术手术技术的使用.
背景情况:
- 计算机视觉 (CV) 已经彻底改变了医学成像领域,如放射学和病理学.
- 它在实时手术程序中的应用仍然有限,尽管它的潜力.
- 本文重点介绍了手术视频中的解剖结构细分的深度学习 (DL).
研究的目的:
- 评估基于DL的CV模型在外科视频中用于语义细分和对象检测的最新性能.
- 检查这些模型在临床应用方面的进展.
- 确定细分外科手术解剖结构的挑战.
主要方法:
- 进行了2014-2024年研究的范围审查.
- 在PubMed,Embase和IEEE Xplore中进行了搜索.
- 审查的重点是语义细分和解剖结构的对象检测.
主要成果:
- 确定了61项研究,主要侧重于一般,结直肠和神经外科手术.
- 语义细分是CV的主要任务,U-Net和DeepLab是常见的模型.
- 模型的性能因结构大小而异,较大的器官 (例如肝脏) 比较小的结构 (例如神经,子得分:0.49) 获得更高的准确性 (子得分:0.88).
- 实时推断速度在每秒5到298之间.
结论:
- 手术视频基于DL的语义细分的显著进展表明了实时适用性,特别是对于较大的器官.
- 未来的进步需要解决与较小结构,数据可用性和模型通用性相关的挑战.
