基于深度学习的腹腔镜胆囊切除术中的手术内解剖标志的有效细分

科学领域:

• 医学成像
• 人工智能
• 外科导航

背景情况:

• 腹腔镜胆囊切除术是胆囊疾病的标准, 有胆道损伤的风险.
• 由于外科医生的疲劳和经验水平,在手术期间主观视觉检查可能不可靠.
• 在剖析前阶段识别解剖学标志是具有挑战性的,需要逐步探索.

研究的目的:

• 开发用于腹腔镜胆囊切除术的实时手术内导航系统.
• 动态识别和注释关键的解剖学地标, 如胆囊,卡洛特三角形,
• 减少外科医生的压力,提高解剖学地标识别的准确性.

主要方法:

• 提出了一个新的语义细分神经网络 (频道注意力金字塔场景解析加网络 - CPPN).
• 使用不同尺度和不同重量的聚合层来提取特征.
• 整合了一个空间频道注意模块来增强特征捕获和上下文信息.

主要成果:

• CPPN模型实现了0.855 (±0.03) 的平均交叉点,优于其他细分网络.
• 胆囊的IOU分数为0.881 (±0.01),卡洛三角的IOU分数为0.769 (±0.03),普通胆道的IOU分数为0.813 (±0.02).
• 使用132个腹腔镜胆囊切除视频中的1425进行了验证,并进行了10倍的交叉验证.

结论:

• 拟议的智能分段算法在识别关键解剖标志方面表现出卓越的性能.
• 显示了实时手术辅助的巨大潜力, 帮助剖析卡洛特三角形.
• 可能导致普通胆道损伤的减少,并加强腹腔镜手术期间的视觉检查.