微手术中的面部神经自动识别,具有改进的unet
Xin Ding1, Yu Huang1, Yang Zhao1
1Department of Otorhinolaryngology Head and Neck Surgery, The Peking Union Medical College Hospital, No. 1, Shuaifuyuan, Dongcheng District, Beijing, 100010, China.
Journal of robotic surgery
|July 6, 2025
概括
一个新的深度学习模型精确地细分和检测微手术期间的面部神经 (FN). 这种人工智能工具通过准确识别关键结构,甚至在具有挑战性的条件下,提高了外科手术的精度和安全性.
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:
- 微手术需要精确识别面部神经 (FN) 等关键解剖结构.
- 由于解剖学变异和外科条件,传统的FN识别方法可能具有挑战性.
- 深度学习为改善手术内指导提供了潜力.
研究的目的:
- 开发和评估一个深度学习模型,以增强细分和检测微手术中的FN.
- 通过准确的手术指导,提高手术精度和患者安全.
主要方法:
- 收集和注释手术视频,以创建一个数据集,包括2724张用于培训/验证的图像和1674张用于测试的图像.
- 开发了一种改进的Unet模型,包括注意力机制,功能丰富的跳过连接和多维卷积块.
- 应用数据增强以增加培训数据集大小的五倍.
主要成果:
- 改进的UNET模型在验证集中实现了0.9165的平均跨欧盟交叉点 (mIOU),在测试集中达到0.6543.
- 该模型在复杂的微手术场景 (血液,闭塞,模糊) 中精确检测和细分FN.
- 全度热图证实了模型学习了相关的FN特征,性能优于最先进的方法.
结论:
- 提议的改进Unet模型显著提高了面部神经细分和微手术中的检测.
- 这种由人工智能驱动的方法显示出对关键解剖结构的实时手术内指导具有很高的前景.
- 该模型在具有挑战性的条件下准确执行的能力支持其潜在的临床应用.
