Konstruksjons- og effektverifiseringen av en dyp læringsbasert automatisert semantisk segmenteringsmodell for medisinsk avbildning

Hepatocellulært karsinom (HCC) er en vanlig sykdom i Kina. Det rangerer som den fjerde vanligste ondartede svulsten og den tredje ledende årsaken til kreftrelaterte dødsfall i landet. Sammen med andre lever-, galle-, bukspyttkjertelen og miltiske sykdommer utgjør det en alvorlig trussel for den kinesiske befolkningenes liv og helse. Presise organreseksjonsteknikker, sentrert rundt nøyaktig preoperativ avbildning og funksjonell vurdering samt omhyggelige kirurgiske operasjoner, har blitt mainstream i hepatobiliærkirurgi i det 21. århundre. Disse teknikkene krever presis disseksjon av intrahepatiske blodkar, gallesystemet og bukspyttkjertelen-splenisk kanalsystem for å oppnå en optimal balanse mellom å utrydde lesjonene og bevare den normale funksjonen til organene mens de minimerer traumer til kroppen. Derfor inkluderer sentrale spørsmål som må utformes nøye i preoperativ planlegging: Hvordan maksimere fjerningen av lesjoner mens du bevarer normalt vev og organer? Hvordan sikre trygge kirurgiske marginer? Hvordan kontrollere skader under operasjonen for å sikre rask utvinning av gjenværende vevsfunksjon postoperativt? Med utviklingen av medisinsk avbildning og bruk av informasjonsalderen, går feltet for leveroperasjon inn i tiden med digital presisjons hepatobiliary kirurgi.

Presis vevsreseksjon via laparoskopi er en forutsetning for vellykket hepatobiliærkirurgi. Sammenlignet med åpen kirurgi, gir laparoskopisk kirurgi fordeler som mindre traumer, redusert postoperativ smerte og raskere utvinning. Imidlertid har laparoskopisk kirurgi også ulemper, inkludert utilstrekkelig taktil tilbakemelding, begrenset kirurgisk rom, smalt synsfelt og begrenset manøvrerbarhet. Synligheten og vinklene til laparoskopiske instrumenter er begrenset. Når du møter vedheft eller komplekse situasjoner, kan laparoskopisk kirurgi øke driftsvansker og forlenge kirurgisk tid. Derfor krever komplekse laparoskopiske prosedyrer lang erfaring og har en bratt læringskurve. Hvordan hjelpe kirurger med å utføre operasjoner mer trygt og effektivt, samt hvordan man kan forbedre læringsresultater under trening, er presserende problemer som må løses. Effektiv læring og analyse av kirurgiske videoer kan bidra til å forbedre kirurgenes intraoperative ytelse.

De siste årene har fremskritt innen kunstig intelligens (AI) ført til en økning i anvendelsen av Computer Vision (CV) i medisinsk bildeanalyse, inkludert kirurgiske videoer. Laparoskopisk kirurgi genererer en stor mengde kirurgiske videodata, og gir en ny mulighet for forbedring av laparoskopisk kirurgisk CV -teknologi. AI-basert CV-teknologi kan bruke disse kirurgiske videodataene for å utvikle automatiserte beslutningsstøtteverktøy i sanntid og kirurgiske treningssystemer, og tilby nye veibeskrivelser for å adressere manglene ved laparoskopisk kirurgi. AI -systemer kan identifisere kirurgiske faser for forskjellige viktige oppgaver, for eksempel registrering og analyse av bivirkninger, utdanning, statistikk og vurdering av kirurgisk ytelse. For øyeblikket utføres disse oppgavene manuelt av spesialiserte kirurger, noe som er veldig tidkrevende. AI -systemer kan også utføre scenesegmentering, inkludert å identifisere anatomiske strukturer og områder for å unngå skade på kritiske strukturer, samt gjenkjenne kirurgiske instrumenter for å forhindre ulykker. Ukontrollerte instrumentbevegelser kan forårsake skade på tilstøtende strukturer, og å identifisere kirurgiske handlinger (f.eks. Sutureringsteknikker) kan bidra til å vurdere ferdighetsevne. Å bruke slike systemer under operasjonen kan lette overvåking av sanntid og hjelpe beslutninger, potensielt forbedre sikkerheten og forbedre pasientresultatene. For eksempel kan hjelpesystemer i sanntid varsle kirurger om uriktige anatomiske fly, feilaktige manøvrer eller forestående komplikasjoner.

Imidlertid har anvendelsen av dype læringsmodeller i kirurgiske inngrep fortsatt noen mangler. For det første kan kirurgisk fasegjenkjenning uavhengig estimere den gjenværende kirurgiske tiden, og effektivt arrangere logistikk i operasjonsrommet og gi kirurgiske praktikanter informative og målrettede utdanningsmateriell. Imidlertid er aktuell forskning på kirurgisk fasegjenkjenning fremdeles vanskelig å bruke klinisk. En årsak er at videoen som kreves for at AI -modeller skal gjenkjenne kirurgiske faser ofte er for lang. Begrensede treningsdata og optimalisering av generell nøyaktighet gjør det utfordrende for AI å gjenkjenne trinn på kortere varighet. Med forbedret modelldesign og nye merknadsstandarder, kan AI oppnå trinngjenkjenning med høy presisjon, og gi detaljert informasjon for videreutvikling av verdifulle datamaskinassisterte kirurgiske systemer.

Basert på dette tar den nåværende studien som mål å utføre en retrospektiv analyse av tilfeller som involverer laparoskopiske hepatobiliære og bukspyttkjertelen som ble utført ved Zhujiang Hospital, Southern Medical University, mellom 2017 og 2024. Målet er å undersøke gjenkjennelse og validering av dype læringsmodeller for å klassifisere kirurgiske fasebilder i medisinsk avbildning, så vel som for semantisk segmentering av anatomiske strukturer, kirurgiske instrumenter og kirurgiske gester, inkludert abdominal CT og MR.