Using deep learning to identify the recurrent laryngeal nerve during thyroidectomy.
Using deep learning to identify the recurrent laryngeal nerve during thyroidectomy.
复制标题
DOI：
10.1038/s41598-021-93202-y
复制
发表时间：
2021-07-12
影响因子：
4.6
通讯作者：
Yeung S
中科院分区：
文献类型：
--
作者：
Gong J;Holsinger FC;Noel JE;Mitani S;Jopling J;Bedi N;Koh YW;Orloff LA;Cernea CR;Yeung S
外科医生必须在视觉上区分软组织，如神经，从周围的解剖结构，以防止并发症和优化患者的结果。准确的神经分割和分析工具可以为手术决策提供有用的见解。在这里，我们提出了一种端到端的自动深度学习计算机视觉算法来分割和测量神经。与传统的医学成像不同，我们的无限制设置与可访问的手持数码相机，沿着与非结构化开放手术场景，使这项任务具有独特的挑战性。我们研究一种常见的手术，甲状腺切除术，在此期间，外科医生必须避免损伤喉返神经（RLN），这是负责人类的语言。我们在手术室图像捕获的各种不同和具有挑战性的设置的不同数据集上评估了我们的分割算法，并在最佳图像捕获条件下显示出强大的分割性能。这项工作为未来的实时组织识别研究奠定了基础，并将可访问的智能工具集成到开放式手术中，以提供可操作的见解。
Surgeons must visually distinguish soft-tissues, such as nerves, from surrounding anatomy to prevent complications and optimize patient outcomes. An accurate nerve segmentation and analysis tool could provide useful insight for surgical decision-making. Here, we present an end-to-end, automatic deep learning computer vision algorithm to segment and measure nerves. Unlike traditional medical imaging, our unconstrained setup with accessible handheld digital cameras, along with the unstructured open surgery scene, makes this task uniquely challenging. We investigate one common procedure, thyroidectomy, during which surgeons must avoid damaging the recurrent laryngeal nerve (RLN), which is responsible for human speech. We evaluate our segmentation algorithm on a diverse dataset across varied and challenging settings of operating room image capture, and show strong segmentation performance in the optimal image capture condition. This work lays the foundation for future research in real-time tissue discrimination and integration of accessible, intelligent tools into open surgery to provide actionable insights.
登录
查看更多内容
DOI：
10.1007/s11548-016-1371-x
发表时间：
2016-06-01
影响因子：
3
作者：
Dergachyova, Olga;Bouget, David;Jannin, Pierre
通讯作者：
Jannin, Pierre
影响因子：
1.2
作者：
Ghosh, Anasuya;Chaudhury, Subhramoy
通讯作者：
Chaudhury, Subhramoy
影响因子：
5.2
作者：
Islam, Mobarakol;Atputharuban, Daniel Anojan;Ren, Hongliang
通讯作者：
Ren, Hongliang
影响因子：
--
作者：
Cernea, Claudio R.;Hojaij, Flavio C.;Brandao, Lenine G.
通讯作者：
Brandao, Lenine G.
影响因子：
64.8
作者：
Esteva A;Kuprel B;Novoa RA;Ko J;Swetter SM;Blau HM;Thrun S
通讯作者：
Thrun S