Development of a minimally invasive spine surgery assisting system with an AI integrated information presentation system

点击翻译按钮获取中文摘要

【背景・目的】我々は昨年度は総腸骨静脈の損傷リスク回避の一助を目的として,OLIF51術中内視鏡画像中の総腸骨静脈をボックスにより検出する深層学習モデルの開発について報告を行ったが，本研究では関連する手法の開発と評価を行った.【方法】OLIF51術中内視鏡画像4症例614枚に対し, 赤み以外で判断するためRGB画像のグリーンチャネルを抽出したグレースケール画像401枚を学習データ,45枚を検証データとし,生物医学画像のセマンティックセグメンテーション用モデルU-netを学習させた.評価指標はDice係数を用い,テスト画像168枚にて評価を行った.【結果】学習時損失関数は0.2641, 検証時損失関数は0.4376となり,テスト時の精度(平均値±標準偏差)は,Dice = 0.2805±0.2691を記録した.【考察】Diceは平均0.2805であり,臨床への応用には精度のさらなる向上が必要であると考えられる．データ数以外の技術的要因としてグリーンチャネル抽出画像の使用の使用により深度が深く画面奥に写り,手術器械と重なっている静脈部分と周辺臓器とのコントラストが不明瞭となったことなどが考えられる．対策として.精度が十分に確保できなかった要因としては,症例数が少なかったことや,グリーンチャネル抽出画像の使用の使用により,深度が深く画面奥に写り,手術器械と重なっている静脈部分と周辺臓器とのコントラストが不明瞭となったことが考えられる.精度向上には学習用データのさらなる確保の他,確実性を高めるため,ハイパスフィルタ処理を実装し,周囲の臓器,組織との区別を明瞭にする必要がある.