De constructie- en effectverificatie van een diep op leer gebaseerd geautomatiseerd semantisch segmentatiemodel voor medische beeldvorming

Hepatocellulair carcinoom (HCC) is een veel voorkomende ziekte in China. Het scoort als de vierde meest voorkomende kwaadaardige tumor en de derde belangrijkste oorzaak van sterfgevallen door kanker in het land. Samen met andere lever-, gal-, pancreas- en miltziekten vormt het een ernstige bedreiging voor de levens en de gezondheid van de Chinese bevolking. Nauwkeurige orgelresectietechnieken, gecentreerd rond nauwkeurige preoperatieve beeldvorming en functionele beoordeling, evenals zorgvuldige chirurgische operaties, zijn de mainstream geworden in hepatobiliaire chirurgie in de 21e eeuw. Deze technieken vereisen een nauwkeurige dissectie van intrahepatische bloedvaten, het galsysteem en het pancreas-vlakke kanaalsysteem om een ​​optimaal evenwicht te bereiken tussen het uitroeien van de laesies en het behoud van de normale functie van de organen terwijl het trauma tot het lichaam wordt geminimaliseerd. Daarom zijn belangrijke vragen die zorgvuldig moeten worden ontworpen in preoperatieve planning: hoe de verwijdering van laesies te maximaliseren met behoud van normale weefsels en organen? Hoe zorg je voor veilige chirurgische marges? Hoe schade te beheersen tijdens de operatie om het snelle herstel van de resterende weefselfunctie postoperatief te waarborgen? Met de ontwikkeling van medische beeldvorming en de komst van het informatietijdperk, komt het gebied van leverchirurgie in het tijdperk van digitale precisie hepatobiliaire chirurgie.

Nauwkeurige weefselresectie via laparoscopie is een voorwaarde voor succesvolle hepatobiliaire chirurgie. In vergelijking met open chirurgie biedt laparoscopische chirurgie voordelen zoals minder trauma, verminderde postoperatieve pijn en sneller herstel. Laparoscopische chirurgie heeft echter ook nadelen, waaronder onvoldoende tactiele feedback, beperkte chirurgische ruimte, smal gezichtsveld en beperkte manoeuvreerbaarheid. De zichtbaarheid en hoeken van laparoscopische instrumenten zijn beperkt. Bij het tegenkomen van verklevingen of complexe situaties kan laparoscopische chirurgie de operationele moeilijkheid verhogen en de chirurgische tijd verlengen. Daarom vereisen complexe laparoscopische procedures uitgebreide ervaring en hebben ze een steile leercurve. Hoe chirurgen te helpen bij het veiliger en effectiever uitvoeren van operaties, evenals hoe ze de leerresultaten tijdens de training kunnen verbeteren, zijn dringende problemen die moeten worden aangepakt. Efficiënt leren en analyse van chirurgische video's kan helpen bij het verbeteren van de intraoperatieve prestaties van chirurgen.

In de afgelopen jaren hebben vooruitgang in kunstmatige intelligentie (AI) geleid tot een toename van de toepassing van computer vision (CV) in medische beeldanalyse, inclusief chirurgische video's. Laparoscopische chirurgie genereert een grote hoeveelheid chirurgische videogegevens en biedt een nieuwe kans voor de verbetering van laparoscopische chirurgische CV -technologie. Op AI gebaseerde CV-technologie kan deze chirurgische videogegevens gebruiken om realtime geautomatiseerde beslissingsondersteuningshulpmiddelen en chirurgische trainingssystemen te ontwikkelen, waardoor nieuwe richtingen worden aangeboden voor het aanpakken van de tekortkomingen van laparoscopische chirurgie. AI -systemen kunnen chirurgische fasen identificeren voor verschillende belangrijke taken, zoals het opnemen en analyseren van bijwerkingen, onderwijs, statistieken en het beoordelen van chirurgische prestaties. Momenteel worden deze taken handmatig uitgevoerd door gespecialiseerde chirurgen, wat erg tijdrovend is. AI -systemen kunnen ook scènesegmentatie uitvoeren, inclusief het identificeren van anatomische structuren en gebieden om schade aan kritieke structuren te voorkomen, evenals het herkennen van chirurgische instrumenten om ongevallen te voorkomen. Ongecontroleerde instrumentbewegingen kunnen schade aan aangrenzende structuren veroorzaken en het identificeren van chirurgische acties (bijvoorbeeld hechtingstechnieken) kan helpen bij het beoordelen van vaardigheidsvaardigheid. Het gebruik van dergelijke systemen tijdens chirurgie kan realtime monitoring vergemakkelijken en de besluitvorming helpen, mogelijk het verbeteren van de veiligheid en het verbeteren van de resultaten van de patiënt. Real-time assistentiesystemen kunnen bijvoorbeeld chirurgen waarschuwen voor onjuiste anatomische vlakken, foutieve manoeuvres of naderende complicaties.

De toepassing van diepe leermodellen in chirurgische procedures heeft echter nog steeds enkele tekortkomingen. Ten eerste kan chirurgische faseherkenning onafhankelijk de resterende chirurgische tijd schatten, het effectief regelen van logistiek in de operatiekamer en chirurgische stagiaires informatief en gerichte educatief materiaal bieden. Het huidige onderzoek naar chirurgische faseherkenning is echter nog steeds moeilijk om klinisch toe te passen. Een reden is dat de video -duur die nodig is voor AI -modellen om chirurgische fasen te herkennen vaak te lang. Beperkte trainingsgegevens en de optimalisatie van de algehele nauwkeurigheid maken het een uitdaging voor AI om kortere stappen te herkennen. Met een verbeterd modelontwerp en nieuwe annotatienormen kan AI zeer nauwkeurige stapherkenning bereiken, waardoor gedetailleerde informatie wordt geboden voor de verdere ontwikkeling van waardevolle computerondersteunde chirurgische systemen.

Op basis hiervan is de huidige studie als doel een retrospectieve analyse uit te voeren van gevallen waarbij laparoscopische hepatobiliaire en pancreasoperaties zijn uitgevoerd in het Zhujiang Hospital, Southern Medical University, tussen 2017 en 2024. Het doel is om de herkenning en validatie van diepe leermodellen te onderzoeken voor het classificeren van chirurgische fasebeelden in medische beeldvorming, evenals voor semantische segmentatie van anatomische structuren, chirurgische instrumenten en chirurgische gebaren, waaronder buik CT en MRI.