通过深度学习进行跨形外科手术的实时手术内深度估计:可行性研究.
Olivier Zanier1, Aron Alakmeh2, Raffaele Da Mutten3
1Machine Intelligence in Clinical Neuroscience & Microsurgical Neuroanatomy (MICN) Laboratory, Department of Neurosurgery, Clinical Neuroscience Center, University Hospital Zurich, University of Zurich, Zurich, Switzerland; Department of Oncology, University of Oxford, Oxford OX3 7DQ, United Kingdom.
概括
像DINOv2这样的深度学习模型可以估计内镜神经外科视频中的深度,从而有可能改善外科医生的方向性. 这种人工智能应用程序有助于在没有特殊设备的情况下可视化外科领域.
科学领域:
- 神经外科 神经外科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在神经外科手术中,内镜内和跨的方法对于切除诸如垂体腺瘤等瘤至关重要.
- 标准的内镜视频是二维的,限制了深度感知和手术内定位.
研究的目的:
- 探索使用深度学习模型DINOv2来从二维内镜外科视频中生成3D深度信息.
- 通过使用人工智能驱动的深度估计,评估在神经外科中增强手术内导向的可行性.
主要方法:
- 将DINOv2深度学习模型应用于来自八个跨形内外科手术的视频源.
- 创建了数值深度图,并使用颜色图将其可视化.
- 由神经外科医生主观评估深度估计质量,并与手动细分进行半定量对比.
主要成果:
- DINOv2成功生成深度图和颜色图,与专家的主观评估保持一致.
- 半定量分析显示,深度区域估计的平均DICE相似性指数为0.48.
- 结果表明潜在的,但需要谨慎的解释,因为非标准化的细分切断.
结论:
- 深度学习,特别是DINOv2,可以估计内镜神经外科成像中的深度.
- 这项技术有望改善手术内导向和增强内镜视频源.
- 人工智能为增强手术可视化和导航提供了重大机会.
