blog

Jun 11, 2024

Generalização limitada de rede neural profunda única para segmentação de instrumentos cirúrgicos em diferentes ambientes cirúrgicos

Scientific Reports volume 12, Artigo número: 12575 (2022) Citar este artigo 1042 Acessos 1 Citações 2 Detalhes das métricas altmétricas Esclarecendo a generalização do aprendizado profundo baseado em

Scientific Reports volume 12, Artigo número: 12575 (2022) Citar este artigo

1042 Acessos

1 Citações

2 Altmétrico

Detalhes das métricas

Esclarecer a generalização das redes de segmentação de instrumentos cirúrgicos baseadas em aprendizagem profunda em diversos ambientes cirúrgicos é importante para reconhecer os desafios do overfitting no desenvolvimento de dispositivos cirúrgicos. Este estudo avaliou de forma abrangente a generalização da rede neural profunda para segmentação de instrumentos cirúrgicos usando 5.238 imagens extraídas aleatoriamente de 128 vídeos intraoperatórios. O conjunto de dados de vídeo continha 112 casos de ressecção colorretal laparoscópica, 5 casos de gastrectomia distal laparoscópica, 5 casos de colecistectomia laparoscópica e 6 casos de hepatectomia parcial laparoscópica. A segmentação de instrumentos cirúrgicos baseada em aprendizagem profunda foi realizada para conjuntos de teste com (1) as mesmas condições do conjunto de treinamento; (2) o mesmo instrumento cirúrgico alvo de reconhecimento e tipo de cirurgia, mas diferentes sistemas de registro laparoscópico; (3) o mesmo sistema de registro laparoscópico e tipo de cirurgia, mas uma pinça cirúrgica laparoscópica com alvo de reconhecimento ligeiramente diferente; (4) o mesmo sistema de registro laparoscópico e instrumento cirúrgico alvo de reconhecimento, mas diferentes tipos de cirurgia. A precisão média média e a interseção média sobre a união para os conjuntos de teste 1, 2, 3 e 4 foram 0,941 e 0,887, 0,866 e 0,671, 0,772 e 0,676 e 0,588 e 0,395, respectivamente. Portanto, a precisão do reconhecimento diminuiu mesmo sob condições ligeiramente diferentes. Os resultados deste estudo revelam a generalização limitada das redes neurais profundas no campo da inteligência artificial cirúrgica e alertam contra conjuntos de dados e modelos tendenciosos baseados em aprendizagem profunda.

Número de registro do teste: 2020-315, data de registro: 5 de outubro de 2020.

A cirurgia minimamente invasiva (MIS), incluindo a cirurgia robótica, tem se tornado cada vez mais comum1. O MIS que utiliza endoscópios para observar a anatomia interna é preferido para muitos procedimentos cirúrgicos porque um campo de visão cirúrgico ampliado pode ser obtido através do endoscópio. Além disso, os procedimentos cirúrgicos podem ser armazenados como dados de vídeo; portanto, esta abordagem facilita não apenas o treinamento e a educação cirúrgica, mas também a ciência de dados cirúrgicos2, como a visão computacional usando aprendizagem profunda.

A visão computacional é um campo de pesquisa que descreve a compreensão mecânica de imagens e vídeos, e avanços significativos resultaram em máquinas alcançando capacidades de nível humano em áreas como reconhecimento de objetos e cenas3. O principal trabalho relacionado à saúde em visão computacional é o diagnóstico assistido por computador, como detecção de pólipos colônicos4,5 e detecção de câncer de pele6,7; entretanto, a aplicação da cirurgia assistida por computador também se acelerou8,9. Em particular, a segmentação de instrumentos cirúrgicos e o rastreamento de suas pontas são tecnologias subjacentes importantes porque podem ser aplicadas à avaliação de habilidades cirúrgicas10,11 e são essenciais para a realização de uma cirurgia automática e autônoma12.

A segmentação é uma tarefa de visão computacional na qual imagens inteiras são divididas em grupos de pixels que podem ser rotulados e classificados. Em particular, a segmentação semântica tenta compreender semanticamente o papel de cada pixel nas imagens13. A segmentação de instâncias, que amplia a segmentação semântica, segmenta diferentes instâncias de classes, ou seja, rotulando cinco indivíduos com cinco cores diferentes; portanto, pode identificar os limites, diferenças e relações entre objetos para múltiplos objetos sobrepostos14.

Essas abordagens de visão computacional têm grande aplicabilidade ao reconhecimento de instrumentos cirúrgicos em vídeos intraoperatórios para MIS e, nos últimos anos, têm havido numerosos esforços para desenvolver a segmentação de instrumentos cirúrgicos15,16. Entre eles, a Sociedade de Computação de Imagens Médicas e Intervenções Assistidas por Computador tem realizado desafios internacionais baseados na precisão do reconhecimento para segmentação de instrumentos cirúrgicos e o Desafio da Visão Endoscópica15,17,18,19; novas redes neurais profundas quebraram o recorde de precisão de segmentação de última geração. No entanto, estes esforços foram realizados em conjuntos de dados de vídeo correspondentes ao mesmo tipo de cirurgia, utilizando um tipo fixo de instrumento cirúrgico e o mesmo tipo de sistema de gravação laparoscópica, ao contrário dos cenários cirúrgicos do mundo real. Praticamente, existem muitas condições diferentes em situações cirúrgicas do mundo real. Por exemplo, diferentes tipos de sistemas de registo laparoscópico e instrumentos cirúrgicos laparoscópicos são utilizados em diferentes hospitais; além disso, os dispositivos cirúrgicos são atualizados e seus formatos mudam ligeiramente a cada poucos anos. Ao considerar as propriedades de uso geral de uma única rede de reconhecimento de instrumento cirúrgico, também é importante verificar a aplicabilidade da rede a outros tipos de cirurgia, ou seja, esclarecer a diferença na precisão do reconhecimento quando uma rede de reconhecimento que foi desenvolvida com base nos dados de um determinado tipo de cirurgia é aplicado a outro tipo de cirurgia. Embora tais condições relacionadas à precisão do reconhecimento possam esclarecer que a construção de um conjunto de dados de vídeo intraoperatório com diversidade é importante, nenhum estudo abrangente sobre a generalização de uma única rede de reconhecimento de instrumentos cirúrgicos foi relatado. Portanto, os resultados deste estudo são importantes porque fornecem informações valiosas para futuro desenvolvimento e implementação cirúrgica.