Untersuchung von Deep-Learning-Verfahren zur Echtzeit-Segmentierung chirurgischer Instrumente bei Laparoskopie

Minimally invasive Chirurgie ist ein chirurgisches Verfahren, das zur Untersuchung der Organe im Abdomen eingesetzt wird und aufgrund ihrer Wirksamkeit im Vergleich zur offenen Chirurgie weit verbreitet ist. Durch Fortschritte in der Hardware, beispielsweise hochauflösende Kameras, hat dieses Verfahren erheblich an Qualität gewonnen, und neue Softwaremethoden haben Potenzial für computerassistierte Eingriffe gezeigt. Dennoch bestehen weiterhin Herausforderungen und Anforderungen hinsichtlich der Verbesserung der Detektion und Verfolgung der Instrumentenposition während solcher chirurgischer Eingriffe. Hierzu evaluieren und vergleichen wir einige gängige Deep-Learning-Methoden, die für die automatisierte Segmentierung chirurgischer Instrumente bei Laparoskopie erschlossen werden können, einen entscheidenden Schritt hin zur Instrumentenverfolgung. Unsere experimentellen Ergebnisse zeigen, dass das Dual-Decoder-Attention-Netzwerk (DDANet) im Vergleich zu anderen aktuellen Deep-Learning-Methoden hervorragende Ergebnisse erzielt. DDANet erreicht für den Robust Medical Instrument Segmentation (ROBUST-MIS) Challenge 2019-Datensatz einen Dice-Koeffizienten von 0,8739 und einen mittleren Intersection-over-Union-Wert von 0,8183 bei einer Geschwindigkeit von 101,36 Bildern pro Sekunde – eine entscheidende Voraussetzung für Echtzeitanwendungen in der Chirurgie.