ブログ

Jun 11, 2024

異なる手術環境における手術器具のセグメンテーションのための単一ディープ ニューラル ネットワークの一般化可能性が限られている

Scientific Reports volume 12、記事番号: 12575 (2022) この記事を引用する 1042 アクセス数 1 引用数 2 Altmetric Metrics の詳細 深層学習ベースの一般化可能性を明らかにする

Scientific Reports volume 12、記事番号: 12575 (2022) この記事を引用

1042 アクセス

1 引用

2 オルトメトリック

メトリクスの詳細

多様な手術環境における深層学習ベースの手術器具セグメンテーション ネットワークの一般化可能性を明らかにすることは、手術器具開発におけるオーバーフィッティングの課題を認識する上で重要です。 この研究では、128 の術中ビデオからランダムに抽出された 5,238 枚の画像を使用して、手術器具セグメンテーションのためのディープ ニューラル ネットワークの一般化可能性を包括的に評価しました。 ビデオ データセットには、112 件の腹腔鏡下結腸直腸切除術、5 件の腹腔鏡下遠位胃切除術、5 件の腹腔鏡下胆嚢摘出術、6 件の腹腔鏡下肝部分切除術が含まれていました。 深層学習ベースの手術器具のセグメンテーションは、(1) トレーニング セットと同じ条件のテスト セットに対して実行されました。 （２）認識対象の手術器具と手術の種類は同じであるが、腹腔鏡記録システムが異なる。 （３）腹腔鏡記録システムと手術の種類は同じであるが、認識対象となる腹腔鏡手術用鉗子が若干異なる。 （４）腹腔鏡記録システムと認識対象手術器具は同じであるが、手術の種類が異なる。 テスト セット 1、2、3、および 4 の平均精度と和集合の平均交差は、それぞれ 0.941 と 0.887、0.866 と 0.671、0.772 と 0.676、および 0.588 と 0.395 でした。 そのため、少しでも条件が異なると認識精度が低下してしまいます。 この研究の結果は、外科用人工知能の分野におけるディープ ニューラル ネットワークの一般化可能性が限られていることと、ディープラーニング ベースの偏ったデータセットやモデルに対する注意を明らかにしました。

トライアル登録番号: 2020-315、登録日: 2020 年 10 月 5 日。

ロボット手術を含む低侵襲手術 (MIS) はますます一般的になってきています1。 スコープを使用して内部解剖学的構造を観察する MIS は、スコープを通じて拡大された手術視野が得られるため、多くの外科手術に好まれています。 さらに、手術手順をビデオ データとして保存することもできます。 したがって、このアプローチは、外科の訓練と教育だけでなく、深層学習を使用したコンピューター ビジョンなどの外科データ サイエンス 2 も促進します。

コンピュータービジョンは、画像やビデオの機械の理解を説明する研究分野であり、大幅な進歩により、機械は物体やシーンの認識などの分野で人間レベルの能力を達成しています3。 コンピューター ビジョンにおける主なヘルスケア関連の仕事は、結腸ポリープ検出 4,5 や皮膚がん検出 6,7 などのコンピューター支援診断です。 しかし、コンピュータ支援手術の応用も加速しています8,9。 特に、手術器具のセグメンテーションとその先端の追跡は、手術スキルの評価に適用できるため重要な基礎技術であり 10,11、自動手術および自律手術の実現に不可欠です 12。

セグメンテーションは、画像全体をラベル付けして分類できるピクセル グループに分割するコンピューター ビジョン タスクです。 特に、セマンティック セグメンテーションは、画像内の各ピクセルの役割を意味的に理解しようとします13。 インスタンス セグメンテーションはセマンティック セグメンテーションを拡張したもので、クラスのさまざまなインスタンスをセグメント化します。つまり、5 人の個人を 5 つの異なる色でラベル付けします。 したがって、複数の重なり合うオブジェクトの境界、違い、およびオブジェクト間の関係を識別できます14。

これらのコンピュータ ビジョンのアプローチは、MIS の術中ビデオにおける手術器具の認識に非常に応用可能であり、近年、手術器具のセグメンテーションを開発するための多くの努力が行われています 15,16。 その中で、医用画像コンピューティングおよびコンピュータ支援介入協会は、手術器具のセグメンテーションおよび内視鏡ビジョンチャレンジの認識精度に基づく国際的な課題を開催してきました15、17、18、19。 新しいディープ ニューラル ネットワークにより、最先端のセグメンテーション精度の記録が破られました。 ただし、これらの取り組みは、現実世界の手術環境とは異なり、固定タイプの手術器具と同じタイプの腹腔鏡記録システムを使用した同じタイプの手術に対応するビデオ データセットに対して実行されています。 実際、現実の手術現場ではさまざまな状況が存在します。 たとえば、病院ごとにさまざまな種類の腹腔鏡記録システムや腹腔鏡手術器具が使用されています。 さらに、手術器具はアップグレードされ、その形状は数年ごとにわずかに変化します。 単一の手術器具認識ネットワークの汎用性を考える場合には、他の手術への適用可能性を検証すること、つまり、開発した認識ネットワークを用いた場合の認識精度の違いを明らかにすることも重要である。ある種類の手術のデータに基づいて、別の種類の手術に適用されます。 このような認識精度に関する条件は、多様性のある術中ビデオデータセットの構築が重要であることを明らかにすることができるが、単一の手術器具認識ネットワークの一般化可能性に関する包括的な研究は報告されていない。 したがって、この研究の結果は、将来の外科の開発と実施に貴重な情報を提供するため、重要です。