基于人工智能的多器官细分在妇科 laparoscopy:深度学习架构对解剖学精度和外科适用性的比较评估
Taehoon Lee1,2, So Hyeon Lee3, Young Jae Kim4
1Department of Rausser College Natural Resources, Major of Environmental Science, University of California Berkeley, Berkeley, CA, USA.
Journal of imaging informatics in medicine
|October 24, 2025
概括
深度学习模型对妇科手术图像分析有希望,但对卵巢等小器官进行准确细分仍然具有挑战性. 需要进一步的研究,以改善移动,低对比度结构的细分.
科学领域:
- 医疗图像分析 医疗图像分析
- 在外科手术中的深度学习.
- 妇科瘤学 妇科瘤学
背景情况:
- 腹腔镜外科手术中的自动化解剖细分正在深度学习方面取得进展.
- 细分小,可变的结构,如卵巢和输卵管提出了重大挑战.
研究的目的:
- 在腹腔镜妇科图像中对子宫,卵巢和输卵管细分进行U-Net,Segformer和MANet的比较评估.
- 为当前深度学习模型在这个领域的表现建立一个基准.
主要方法:
- 利用了来自21名接受妇科手术的患者的381张腹腔镜图像.
- 我们比较了三个卷积神经网络模型:U-Net,Segformer和MANet.
- 使用诸如子相似系数 (DSC) 和精度等指标评估细分性能.
主要成果:
- U-Net表现一致 (DSC:子宫 0.9068,卵巢 0.2699,输卵管 0.2660).
- MANet实现了最高的子宫精度 (0.9182),Segformer提供了平衡的特异性.
- 所有模型都在较小的器官中扎,在子宫和输卵管细分之间显示70.6%的DSC减少.
结论:
- 当前的深度学习模型在腹腔镜妇科手术中对细分小,移动,低对比度结构有局限性.
- 进一步的研究对于在现实外科条件下对具有挑战性的解剖目标提高细分精度至关重要.
