La vérification de la construction et de l'effet d'un modèle de segmentation sémantique automatisée basée sur l'apprentissage en profondeur pour l'imagerie médicale

Le carcinome hépatocellulaire (HCC) est une maladie courante en Chine. Il se classe comme la quatrième tumeur maligne la plus courante et la troisième cause de décès liés au cancer dans le pays. Avec d'autres maladies hépatiques, biliaires, pancréatiques et spléniques, il constitue une menace sérieuse pour la vie et la santé de la population chinoise. Les techniques précises de résection des organes, centrées sur une imagerie préopératoire précise et une évaluation fonctionnelle ainsi que des opérations chirurgicales méticuleuses, sont devenues le courant dominant en chirurgie hépatobiliaire au 21e siècle. Ces techniques nécessitent une dissection précise des vaisseaux sanguins intrahépatiques, du système biliaire et du système de conduits pancréatiques-spléniques pour atteindre un équilibre optimal entre l'éradication des lésions et la préservation de la fonction normale des organes tout en minimisant le traumatisme au corps. Par conséquent, les questions clés qui doivent être soigneusement conçues dans la planification préopératoire comprennent: comment maximiser l'élimination des lésions tout en préservant les tissus et les organes normaux? Comment assurer des marges chirurgicales sûres? Comment contrôler les dommages pendant la chirurgie pour assurer la récupération rapide de la fonction des tissus résiduels postopératoire? Avec le développement de l'imagerie médicale et l'avènement de l'ère de l'information, le domaine de la chirurgie du foie entre dans l'ère de la chirurgie hépatobiliaire de précision numérique.

Une résection précise des tissus via la laparoscopie est une condition préalable à une chirurgie hépatobiliaire réussie. Par rapport à la chirurgie ouverte, la chirurgie laparoscopique offre des avantages tels que moins de traumatismes, une douleur postopératoire réduite et une récupération plus rapide. Cependant, la chirurgie laparoscopique présente également des inconvénients, notamment une rétroaction tactile insuffisante, un espace chirurgical limité, un champ de vision étroit et une maniabilité restreinte. La visibilité et les angles des instruments laparoscopiques sont limités. Lors de la rencontre d'adhérences ou de situations complexes, la chirurgie laparoscopique peut augmenter les difficultés opérationnelles et prolonger le temps chirurgical. Par conséquent, les procédures laparoscopiques complexes nécessitent une vaste expérience et ont une courbe d'apprentissage abrupte. Comment aider les chirurgiens à effectuer des chirurgies plus en toute sécurité et plus efficacement, ainsi que comment améliorer les résultats d'apprentissage pendant la formation, sont des problèmes urgents qui doivent être résolus. L'apprentissage et l'analyse efficaces des vidéos chirurgicales peuvent aider à améliorer les performances peropératoires des chirurgiens.

Ces dernières années, les progrès de l'intelligence artificielle (IA) ont entraîné une augmentation de l'application de la vision par ordinateur (CV) dans l'analyse des images médicales, y compris des vidéos chirurgicales. La chirurgie laparoscopique génère une grande quantité de données vidéo chirurgicales, offrant une nouvelle opportunité pour l'amélioration de la technologie CV chirurgicale laparoscopique. La technologie CV basée sur l'IA peut utiliser ces données vidéo chirurgicales pour développer des outils d'aide à la décision automatisés en temps réel et des systèmes de formation chirurgicale, offrant de nouvelles orientations pour répondre aux lacunes de la chirurgie laparoscopique. Les systèmes d'IA peuvent identifier les phases chirurgicales pour diverses tâches importantes, telles que l'enregistrement et l'analyse des événements indésirables, l'éducation, les statistiques et l'évaluation des performances chirurgicales. Actuellement, ces tâches sont effectuées manuellement par des chirurgiens spécialisés, ce qui prend beaucoup de temps. Les systèmes d'IA peuvent également effectuer une segmentation de scène, notamment l'identification des structures et des zones anatomiques pour éviter d'endommager les structures critiques, ainsi que la reconnaissance des instruments chirurgicaux pour prévenir les accidents. Les mouvements d'instruments incontrôlés peuvent endommager les structures adjacentes et l'identification des actions chirurgicales (par exemple, les techniques de suture) peut aider à évaluer la compétence des compétences. L'utilisation de ces systèmes pendant la chirurgie peut faciliter la surveillance en temps réel et aider la prise de décision, améliorer potentiellement la sécurité et améliorer les résultats des patients. Par exemple, les systèmes d'assistance en temps réel peuvent alerter les chirurgiens à des plans anatomiques incorrects, des manœuvres erronées ou des complications imminentes.

Cependant, l'application des modèles d'apprentissage en profondeur dans les procédures chirurgicales a encore quelques lacunes. Premièrement, la reconnaissance de la phase chirurgicale peut estimer indépendamment le temps chirurgical restant, organisant efficacement la logistique dans la salle d'opération et fournissant aux stagiaires chirurgicaux un matériel éducatif informatif et ciblé. Cependant, les recherches actuelles sur la reconnaissance des phases chirurgicales sont encore difficiles à appliquer cliniquement. L'une des raisons est que la durée vidéo requise pour que les modèles d'IA reconnaissent les phases chirurgicales est souvent trop longue. Les données de formation limitées et l'optimisation de la précision globale rendent difficile pour l'IA de reconnaître les étapes de plus courte durée. Avec l'amélioration de la conception du modèle et de nouvelles normes d'annotation, l'IA peut obtenir une reconnaissance des étapes de haute précision, fournissant des informations détaillées pour le développement ultérieur de précieux systèmes chirurgicaux assistés par ordinateur.

Sur la base de cela, la présente étude vise à effectuer une analyse rétrospective des cas impliquant des chirurgies laparoscopiques hépatobiliaires et pancréatiques effectuées à l'hôpital Zhujiang, Southern Medical University, entre 2017 et 2024. L'objectif est d'étudier la reconnaissance et la validation des modèles d'apprentissage en profondeur pour classer les images de phase chirurgicale en imagerie médicale, ainsi que pour la segmentation sémantique des structures anatomiques, des instruments chirurgicaux et des gestes chirurgicaux, y compris la TDM abdominale et l'IRM.