面向荧光寿命成像引导手术中瞄准光束实时检测的数据中心学习框架
人工智能
2024-11-13 v1
摘要
本研究提出一种新颖的数据中心方法，利用基于光纤的荧光寿命成像（FLIm）改进实时手术引导。该方法的关键在于准确检测瞄准光束，这对于将 FLIm 测量映射到手术视野内的组织区域至关重要。主要挑战源于手术环境中复杂多变的条件，尤其是经口机器人手术（TORS）。手术视野内的不均匀照明会导致反射、降低对比度，并造成颜色表现不一致，进一步增加了瞄准光束检测的难度。为克服这些挑战，我们采用数据中心训练策略开发了一个实例分割模型，通过最小化标签噪声和增强检测鲁棒性来提高准确率。该模型在包含 40 个体内手术视频的数据集上评估，中位检测率达 85%。当模型集成到临床系统中时，在患者 TORS 手术中仍保持 85% 的相似检测率。系统计算效率约为 24 帧/秒（FPS），足以满足实时手术引导需求。本研究提高了复杂手术环境中基于 FLIm 的瞄准光束检测可靠性，推进了实时图像引导干预的可行性，从而提升手术精度。
引用
@article{arxiv.2411.07395,
title = {Data-Centric Learning Framework for Real-Time Detection of Aiming Beam in Fluorescence Lifetime Imaging Guided Surgery},
author = {Mohamed Abul Hassan and Pu Sun and Xiangnan Zhou and Lisanne Kraft and Kelsey T Hadfield and Katjana Ehrlich and Jinyi Qi and Andrew Birkeland and Laura Marcu},
journal= {arXiv preprint arXiv:2411.07395},
year = {2024}
}