基于YOLOv5的深度学习模型在腹腔镜术中超声中实时识别门静脉分支的可行性研究
《European Journal of Medical Research》:A deep-learning pipeline to assist portal vein identification during laparoscopic ultrasound scanning for anatomical liver resection in real time
【字体:
大
中
小
】
时间:2026年10月11日
来源:European Journal of Medical Research 4.8
编辑推荐:
摘要
背景
肝细胞癌(HCC)的解剖性肝切除术在很大程度上依赖于术中门静脉解剖结构的准确识别。尽管术中超声(IOUS)被认为是肝脏手术中实时血管导航的金标准,但段特异性门静脉分支的识别仍然技术难度较高,且高度依赖手术经验。人工智能(AI)辅助的超声解读可能提高术中血管识别
摘要背景肝细胞癌(HCC)的解剖性肝切除术在很大程度上依赖于术中门静脉解剖结构的准确识别。尽管术中超声(IOUS)被认为是肝脏手术中实时血管导航的金标准,但段特异性门静脉分支的识别仍然技术难度较高,且高度依赖手术经验。人工智能(AI)辅助的超声解读可能提高术中血管识别的效率和一致性;然而,以往大多数研究仅限于静态图像分析,未应用于实时手术场景。目的本研究旨在开发并评估一种基于YOLOv5的深度学习流程,用于在腹腔镜术中超声过程中自动识别选定的门静脉分支,并探讨其在解剖性肝切除术中实时术中部署的可行性。方法回顾性收集了100例连续接受HCC解剖性肝切除术患者的3254幅腹腔镜术中超声图像,并由经验丰富的肝胆外科医生进行人工标注。标注数据集在患者水平上分为独立的训练组、验证组和测试组(分别为80%、15%和5%)。最终的YOLOv5模型使用五个预定义的右侧门静脉类别进行训练:P58、P67、P6、P7和P8d。在20例患者前瞻性实时验证期间,使用相同的五类模型,未进行重新训练或类别修改。结果该模型在独立测试数据集上达到了0.941的平均平均精度(mAP@0.5)。在0.202的置信阈值下,F1分数最大值为0.58;在0.764的置信阈值下,精确率达到1.00。各分支特异性的帧级准确率为:P58为0.81,P67为0.81,P8d为0.80,P7为0.79,P6为0.78。在前瞻性术中验证期间,系统以每帧低于50毫秒的处理延迟实现了连续实时识别。结论所提出的流程证明了在腹腔镜术中超声中实时识别五种选定右侧门静脉类别的技术可行性。需要进一步开展解剖覆盖更广、前瞻性队列更大的多中心研究,以确立其通用性和临床应用价值。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号