Konstruktions- og effektverifikationen af ​​en dyb indlæringsbaseret automatisk semantisk segmenteringsmodel til medicinsk billeddannelse

Hepatocellular carcinoma (HCC) er en almindelig sygdom i Kina. Det rangerer som den fjerde mest almindelige ondartede tumor og den tredje førende årsag til kræftrelaterede dødsfald i landet. Sammen med andre lever-, galde-, bugspytkirtels- og miltenesygdomme udgør det en alvorlig trussel mod den kinesiske befolknings liv og sundhed. Præcise organresektionsteknikker, centreret omkring nøjagtig præoperativ billeddannelse og funktionel vurdering samt omhyggelige kirurgiske operationer, er blevet mainstream i hepatobiliær kirurgi i det 21. århundrede. Disse teknikker kræver præcis dissektion af intrahepatiske blodkar, galdesystemet og pancreas-spalt-kanalsystemet for at opnå en optimal balance mellem at udrydde læsionerne og bevare den normale funktion af organerne, mens de minimerer traumer til kroppen. Derfor inkluderer centrale spørgsmål, der skal være omhyggeligt designet til præoperativ planlægning: hvordan man maksimerer fjernelse af læsioner, mens man bevarer normale væv og organer? Hvordan sikrer jeg sikre kirurgiske marginer? Hvordan kontrolleres skader under operationen for at sikre hurtig genvinding af resterende vævsfunktion postoperativt? Med udviklingen af ​​medicinsk billeddannelse og fremkomsten af ​​informationsalderen er området for leverkirurgi ind i æraen med digital præcisionshepatobiliær kirurgi.

Præcis vævsresektion via laparoskopi er en forudsætning for vellykket hepatobiliær kirurgi. Sammenlignet med åben kirurgi giver laparoskopisk kirurgi fordele såsom mindre traumer, reduceret postoperativ smerte og hurtigere bedring. Imidlertid har laparoskopisk kirurgi også ulemper, herunder utilstrækkelig taktil feedback, begrænset kirurgisk rum, smalt synsfelt og begrænset manøvrerbarhed. Synligheden og vinklerne på laparoskopiske instrumenter er begrænset. Når man møder vedhæftninger eller komplekse situationer, kan laparoskopisk kirurgi øge operationel vanskeligheder og forlænge kirurgisk tid. Derfor kræver komplekse laparoskopiske procedurer omfattende erfaring og har en stejl indlæringskurve. Sådan hjælper du kirurger med at udføre operationer mere sikkert og effektivt, samt hvordan man forbedrer læringsresultater under træning, presser problemer, der skal løses. Effektiv læring og analyse af kirurgiske videoer kan hjælpe med at forbedre kirurgers intraoperative ydeevne.

I de senere år har fremskridt inden for kunstig intelligens (AI) ført til en stigning i anvendelsen af ​​computervision (CV) i medicinsk billedanalyse, herunder kirurgiske videoer. Laparoskopisk kirurgi genererer en stor mængde kirurgiske videodata, hvilket giver en ny mulighed for forbedring af laparoskopisk kirurgisk CV -teknologi. AI-baserede CV-teknologi kan bruge disse kirurgiske videodata til at udvikle realtidsautomatiske beslutningsstøtteværktøjer og kirurgiske træningssystemer, der tilbyder nye retninger til at tackle manglerne ved laparoskopisk kirurgi. AI -systemer kan identificere kirurgiske faser for forskellige vigtige opgaver, såsom registrering og analyse af bivirkninger, uddannelse, statistik og vurdering af kirurgisk ydeevne. I øjeblikket udføres disse opgaver manuelt af specialiserede kirurger, hvilket er meget tidskrævende. AI -systemer kan også udføre scenesegmentering, herunder identificering af anatomiske strukturer og områder for at undgå skader på kritiske strukturer samt genkende kirurgiske instrumenter for at forhindre ulykker. Ukontrollerede instrumentbevægelser kan forårsage skade på tilstødende strukturer, og identificering af kirurgiske handlinger (f.eks. Sutureringsteknikker) kan hjælpe med at vurdere færdighedskompetencer. Brug af sådanne systemer under operationen kan lette realtidsovervågning og hjælpe beslutningstagningen, potentielt forbedre sikkerhed og forbedre patientresultater. F.eks. Kan assistentsystemer i realtid advare kirurger om forkerte anatomiske planer, fejlagtige manøvrer eller forestående komplikationer.

Imidlertid har anvendelsen af ​​dybe læringsmodeller i kirurgiske procedurer stadig nogle mangler. For det første kan kirurgisk fasegenkendelse uafhængigt estimere den resterende kirurgiske tid, hvilket effektivt arrangerer logistik i operationsstuen og giver kirurgiske praktikanter informativt og målrettet uddannelsesmateriale. Imidlertid er den aktuelle forskning i kirurgisk fasegenkendelse stadig vanskelig at anvende klinisk. En af grundene er, at den videovarighed, der kræves for AI -modeller til at genkende kirurgiske faser, ofte er for lang. Begrænsede træningsdata og optimering af den samlede nøjagtighed gør det udfordrende for AI at genkende trin på kortere varighed. Med forbedret modeldesign og nye annotationsstandarder kan AI opnå genkendelse med høj præcision, hvilket giver detaljerede oplysninger til den videre udvikling af værdifulde computerassisterede kirurgiske systemer.

Baseret på dette sigter den nuværende undersøgelse at foretage en retrospektiv analyse af tilfælde, der involverer laparoskopisk hepatobiliær og bugspytkirteloperationer udført på Zhujiang Hospital, Southern Medical University, mellem 2017 og 2024. Målet er at undersøge genkendelsen og valideringen af ​​dybe læringsmodeller til klassificering af kirurgiske fasebilleder i medicinsk billeddannelse såvel som til semantisk segmentering af anatomiske strukturer, kirurgiske instrumenter og kirurgiske bevægelser, herunder abdominal CT og MRI.