深度学习用于器官捐赠摄影中的自动边界检测和细分
Georgios Kourounis1, Ali Ahmed Elmahmudi2, Brian Thomson2
1NIHR Blood and Transplant Research Unit, Newcastle University and Cambridge University, Newcastle upon Tyne, UK; and Institute of Transplantation, The Freeman Hospital, Newcastle upon Tyne, UK.
Innovative surgical sciences
|June 26, 2025
概括
像Detectron2和YoloV8这样的深度学习模型在为器官捐献进行细分和肝脏图像方面实现了高精度. 这些先进的计算机视觉工具的性能优于现有的方法,改善了手术摄影分析.
科学领域:
- 计算机视觉 计算机视觉
- 医疗成像医学成像
- 手术技术 手术技术
背景情况:
- 医学摄影在手术中至关重要.
- 精确的图像细分对于计算机视觉分析至关重要.
- 对于脏和肝脏捐赠图像的自动细分是不发达的.
研究的目的:
- 开发和比较脏和肝脏器官捐赠照片的深度学习细分模型.
- 评估新型模型的性能与现有的背景删除工具相比.
主要方法:
- 开发了两种深度学习模型:Detectron2和YoloV8,使用转移学习.
- 利用了821个和400个肝脏图像的匿名数据集进行培训/内部验证,以及203个和208个肝脏图像进行外部验证.
- 对整个器官和清晰的视图 (仅对外膜) 标签使用交叉在联盟 (IoU) 的分段性能进行评估.
主要成果:
- 在整个脏和肝脏细分方面,Detectron2和YoloV8实现了高IOU得分 (0.92-0.97),优于其他模型 (最大IOU0.59).
- 分段任务快速完成,在每张图像0.13-1.5秒内完成.
- 这两种模型在内部和外部验证数据集上都表现出卓越的性能.
结论:
- 开源的深度学习软件能够为手术摄影提供准确,快速和自动化的图像细分.
- 这些先进的模型显著优于现有方法.
- 这些发现可以推动手术计算机视觉的进步,类似于其他医学成像领域的进步.
