使用计算机视觉和深度学习对腹腔镜切割模式技能的自动评估

科学领域:

• 外科教育的外科教育
• 医疗模拟 医疗模拟
• 计算机视觉在医学中的应用

背景情况:

• 目前在" laparoscopic Surgery (FLS) 基本原理"中的切割模式评估是手动的,导致耗时的评估容易产生错误.
• 需要客观和自动化的评估系统来提高外科技能评估的效率,可靠性和标准化.

研究的目的:

• 开发和评估一种机器学习增强的计算机视觉系统,用于在外科培训中进行自动化切割模式评估.

主要方法:

• 使用基于You Only Look Once (YOLO) 的深度学习模型开发了一个计算机视觉系统,用于样本细分.
• 该系统分析切割样本的数字图像,将其与圆形目标进行比较,并测量基于面积和辐射的偏差.
• 使用合成测试样本和真实手术样本验证了性能.

主要成果:

• 细分模型在合成样本上获得了98.32%的准确性,平均绝对误差为34.7mm2.
• 该系统准确地测量了实际手术样本中的偏差,结果与专家评估非常相符.
• 通过彩色编码可视化和辐射偏差分析提供定量反.

结论:

• 该自动化系统提供客观的,定量评估模式切割技能,适合在FLS测试中标准化实施.
• 尽管存在样本扭曲的挑战,但该系统的速度和对人类评估的减少依赖使其成为评估和培训外科技能的宝贵工具.