实时工具检测在 laparoscopic 数据集中的手术培训在低资源环境中的手术培训
Omar Choudhry1, Sharib Ali1, Chandra Shekhar Biyani2
1School of Computer Science University of Leeds Leeds UK.
Healthcare technology letters
|December 12, 2025
概括
这项研究评估了在腹腔镜培训视频中实时检测外科工具的深度学习模型. YOLOv8-X模型实现了高精度,而YOLOv11-N则为资源有限的外科技能评估提供了更高的速度.
科学领域:
- 计算机视觉 计算机视觉
- 医疗培训 医学培训
- 外科手术技能的评估.
背景情况:
- 缺乏资源的环境面临着对熟练外科医生的严重短缺.
- 使用视频分析进行计算机辅助的外科技能评估对于替代培训至关重要.
- 现有的工具检测模型很复杂,并没有针对体外训练数据进行优化.
研究的目的:
- 评估各种深度学习模型,以实时检测外科工具.
- 在定制的腹腔镜盒训练器数据集上评估模型性能.
- 确定适用于资源有限环境中的低成本嵌入式设备的模型.
主要方法:
- 测试了多个基于和无的,基于卷积和变压器的深度学习模型.
- 在内部腹腔镜盒训练器数据集上评估模型.
- 专注于实时性能指标 (推理时间,FPS) 在NVIDIA Jetson Orin Nano等硬件上.
主要成果:
- YOLOv8-X表现出最高的准确性,mAP50为99.5%,mAP50:95为96.6%.
- 在Jetson Orin Nano.上,YOLOv8-X实现了23.5毫秒 (42.6 FPS) 的推断时间.
- YOLOv11-N是最有效的,推断时间为3.1 ms (322.6 FPS),显示最小的精度下降.
结论:
- 深度学习模型可以有效地进行实时手术工具检测以评估技能.
- YOLOv8-X和YOLOv11-N显示了在资源有限的环境中进行外科培训的巨大潜力.
- 这些发现支持开发可访问的,计算机辅助的外科训练工具.
