用于穿刺模拟器中针头检测的深度学习
图像与视频处理
2021-10-25 v2
摘要
用于血液透析的穿刺是将针头插入外科创建的血管通路（例如动静脉瘘）以进行透析的操作。与穿刺相关的主要风险是渗漏，即进入后穿刺血管通路的壁，这可能导致医疗并发症。基于模拟器的训练使临床医生能够在不使患者面临风险的情况下获得穿刺经验。在本文中，我们提出基于视频使用基于深度学习的技术来检测针头尖端是在模拟瘘管内还是已渗漏。本工作研究了三类深度神经网络：基于 VGG-16 和 ResNet-50 的改进预训练模型、轻量卷积神经网络（light CNN）以及卷积循环神经网络（CRNN）。CRNN 由卷积层和长短期记忆（LSTM）层组成。我们收集并分析了一个穿刺实验数据集。结果表明，轻量 CNN 和 CRNN 均比预训练基线模型取得更好的性能。CRNN 在商用硬件上实时实现以用于穿刺模拟器，并验证了性能。深度学习视频分析是一种在低成本的穿刺模拟器中检测针头状态的可行方法。我们的数据集和代码发布于 https://github.com/axin233/DL_for_Needle_Detection_Cannulation
引用
@article{arxiv.2105.01852,
title = {Deep Learning for Needle Detection in a Cannulation Simulator},
author = {Jianxin Gao and Ju Lin and Irfan Kil and Ravikiran B. Singapogu and Richard E. Groff},
journal= {arXiv preprint arXiv:2105.01852},
year = {2021}
}
备注
Update content based on reviewers' feedback