深度学习用于自主手术指导,使用前视内镜光学一致性断层扫描的3维图像
Sinaro Ly1, Adrien Badré1, Parker Brandt1
1School of Computer Science, University of Oklahoma, Norman, Oklahoma, USA.
Journal of biophotonics
|July 25, 2025
概括
一个新的三维卷积神经网络 (3D-CNN) 提高了分析光连贯断层扫描 (OCT) 图像的准确性,以加强外科指导. 与其他先进模型相比,这种AI工具提供了更快的实时性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 手术技术 手术技术
背景情况:
- 穿皮瘤术需要精确的指导,以获得最佳的结果.
- 卷度光学连贯性断层扫描 (OCT) 提供了详细的解剖信息.
- 目前的图像分析方法可能会限制实时手术决策.
研究的目的:
- 开发和评估用于分析体积图像的3D-CNN.
- 为了提高内镜指导在皮肤穿术过程中.
- 为了比较3D-CNN与2D-CNN和其他最先进的体积模型的性能.
主要方法:
- 一个3D-CNN被设计用于体积OCT图像分析.
- 通过对猪脏数据集的10倍嵌套交叉验证来评估性能.
- 3D-CNN与3D-ViT,3D-DenseNet121和M3T模型进行了基准测试.
主要成果:
- 3D-CNN的平均测试准确率为90.57%,超过了2D-CNN模型 (85.63%-88.22%).
- 3D-CNN的推断延迟为33ms,明显低于竞争的体积架构.
- 在评估的最先进的模型中观察到可比的推断准确度.
结论:
- 开发的3D-CNN是OCT图像分析的高度准确和高效的工具.
- 它的低推理延迟使其适合于计算机辅助诊断中的实时应用.
- 这项技术具有显著的潜力,可以改进以OCT为指导的外科干预.
