Проверка строительства и эффекта глубокой модели автоматической семантической сегментации, основанной на глубоком обучении для медицинской визуализации

Гепатоцеллюлярная карцинома (ГЦК) является распространенным заболеванием в Китае. Он считается четвертой наиболее распространенной злокачественной опухолью и третьей по значимости причиной смерти от рака в стране. Наряду с другими заболеваниями печени, желчника, поджелудочной железы и селезенки, это представляет серьезную угрозу для жизни и здоровья китайского населения. Точные методы резекции органов, ориентированные на точную предоперационную визуализацию и функциональную оценку, а также тщательные хирургические операции, стали основной в гепатобилиарной хирургии в 21 -м веке. Эти методы требуют точного рассечения внутрипеченочных кровеносных сосудов, билиарной системы и системы протоков поджелудочной железы для достижения оптимального баланса между искоренением поражений и сохранением нормальной функции органов при минимизации травмы организма. Поэтому ключевые вопросы, которые должны быть тщательно разработаны в предоперационном планировании, включают: как максимизировать удаление поражений при сохранении нормальных тканей и органов? Как обеспечить безопасную хирургическую маржу? Как контролировать повреждение во время операции, чтобы обеспечить быстрое восстановление остаточной ткани после операции? С развитием медицинской визуализации и появлением информационного века, область операции на печени вступает в эру цифровой точной гепатобилиарной хирургии.

Точная резекция ткани с помощью лапароскопии является предпосылкой для успешной гепатобилиарной хирургии. По сравнению с открытой операцией, лапароскопическая хирургия предлагает такие преимущества, как меньшая травма, снижение послеоперационной боли и более быстрое выздоровление. Тем не менее, лапароскопическая хирургия также имеет недостатки, включая недостаточную тактильную обратную связь, ограниченное хирургическое пространство, узкое поле зрения и ограниченную маневренность. Видимость и углы лапароскопических инструментов ограничены. При столкновении с спайками или сложными ситуациями лапароскопическая хирургия может увеличить трудность работы и продлить хирургическое время. Следовательно, сложные лапароскопические процедуры требуют обширного опыта и имеют крутой кривую обучения. Как помочь хирургам в выполнении операций более безопасно и эффективно, а также в том, как улучшить результаты обучения во время обучения, являются насущными проблемами, которые необходимо решить. Эффективное обучение и анализ хирургических видеороликов могут помочь улучшить интраоперационную производительность хирургов.

В последние годы достижения в области искусственного интеллекта (ИИ) привели к всплеску применения компьютерного зрения (CV) в анализе медицинского изображения, включая хирургические видео. Лапароскопическая хирургия генерирует большое количество хирургических видеодантеров, предоставляя новую возможность для улучшения лапароскопической хирургической технологии CV. Технология CV на основе искусственного интеллекта может использовать эти хирургические видеодады для разработки инструментов автоматической поддержки принятия решений в реальном времени и хирургических систем обучения, предлагая новые направления для решения недостатков лапароскопической хирургии. Системы ИИ могут идентифицировать хирургические фазы для различных важных задач, таких как регистрация и анализ нежелательных явлений, образования, статистики и оценки хирургических показателей. В настоящее время эти задачи выполняются вручную специализированными хирургами, что очень много времени. Системы ИИ также могут выполнять сегментацию сцены, включая определение анатомических структур и областей, чтобы избежать повреждения критических структур, а также распознавание хирургических инструментов для предотвращения несчастных случаев. Неконтролируемые движения приборов могут привести к повреждению соседних структур, а определение хирургических действий (например, методов швов) может помочь оценить мастерство. Использование таких систем во время операции может облегчить мониторинг в реальном времени и помочь в принятии решений, потенциально повышая безопасность и повышение результатов пациентов. Например, системы помощи в режиме реального времени могут предупреждать хирургов о неправильных анатомических плоскостях, ошибочных маневрах или надвигающихся осложнениях.

Тем не менее, применение моделей глубокого обучения в хирургических процедурах по -прежнему имеет некоторые недостатки. Во -первых, распознавание хирургической фазы может независимо оценить оставшееся хирургическое время, эффективно организуя логистику в операционной и предоставляя хирургическим стажерам информативными и целевыми образовательными материалами. Тем не менее, текущие исследования по распознаванию хирургической фазы все еще трудно применять клинически. Одна из причин заключается в том, что продолжительность видео, необходимая для моделей искусственного интеллекта для распознавания хирургических этапов, часто слишком длинная. Ограниченные данные обучения и оптимизация общей точности заставляют ИИ непросто распознавать шаги более короткой продолжительности. Благодаря улучшению проектирования модели и новых стандартов аннотации, ИИ может достичь высокого распознавания шага, предоставляя подробную информацию для дальнейшей разработки ценных компьютерных хирургических систем.

Основываясь на этом, настоящее исследование направлено на проведение ретроспективного анализа случаев, связанных с лапароскопическими гепатобилиарными и операциями поджелудочной железы, проведенных в больнице Чжуджян, Южный медицинский университет, в период с 2017 по 2024 год. Цель состоит в том, чтобы исследовать распознавание и проверку моделей глубокого обучения для классификации изображений хирургических фаз в медицинской визуализации, а также для семантической сегментации анатомических структур, хирургических инструментов и хирургических жестов, включая КТ брюшной полости и МРТ.