在微创腹部外科手术中语义细分的基准分析变异性.

科学领域:

• 医疗成像医学成像
• 手术解剖学手术解剖学
• 人工智能在医学中的应用

背景情况:

• 由于主观的解释和不清楚的结构界限,在腹部手术中准确的解剖识别具有挑战性.
• 手术解剖学的语义细分需要精确的边界识别,但它的不确定性还没有得到很好的定义.
• 鉴于解剖识别的主观性质,评估注释的充分性至关重要.

研究的目的:

• 在外科住院者中使用MedSAM评估解剖结构识别和语义细分的变异性.
• 通过人工智能辅助的细分来评估在外科住院人员表现的背景下注释的充分性.
• 为MedSAM在细分腹腔内器官中的实用性建立一个基准.

主要方法:

• 手术医生使用MedSAM对德累斯顿外科解剖学和Endoscapes2023数据集的图像进行了腹部器官 (腹壁,结肠,肝脏,小肠,脏,胃,胆囊) 的语义细分.
• 对于每个解剖结构,生成多组注释 (每类3-4组).
• 使用子相似系数 (DSC),类内相关系数 (ICC),边界IoU (BIoU) 和Fleiss' kappa量化了注释者间的变化,通过同时真实性和性能水平估计 (STAPLE) 算法生成的共识面具.

主要成果:

• 观察到强烈的注释者间一致性,DSC值在0.84到0.95之间,Fleiss' kappa在0.85到0.91之间.
• 表面积可靠性很好或非常好 (ICC = 0.62-0.91).
• 边界划分表现出较低的可重现性,由0.092-0.157的BIoU值表明,尽管STAPLE共识面具显示出一致的整体形状注释.

结论:

• 在微创腹部手术期间,MedSAM在外科住院医生对腹腔内器官的语义细分的变化很低.
• 虽然总体一致性很强,但边界精度的挑战仍然存在,特别是对于复杂或可变的解剖结构.
• 这些发现为未来对更大的数据集和更详细的解剖特征的注释工作提供了基准.