Exploration de méthodes d'apprentissage profond pour la segmentation en temps réel d'instruments chirurgicaux en laparoscopie

La chirurgie mini-invasive est une intervention chirurgicale utilisée pour explorer les organes situés à l’intérieur de l’abdomen et a été largement adoptée en raison de son efficacité par rapport à la chirurgie ouverte. Grâce aux progrès matériels, notamment l’intégration de caméras haute définition, cette procédure s’est considérablement améliorée, et de nouvelles méthodes logicielles ont démontré un potentiel prometteur pour les interventions assistées par ordinateur. Toutefois, des défis subsistent quant à l’amélioration de la détection et du suivi en temps réel de la position des instruments chirurgicaux durant ces interventions. À cet effet, nous évaluons et comparons plusieurs méthodes de deep learning populaires pouvant être exploitées pour la segmentation automatisée des instruments chirurgicaux en laparoscopie, une étape essentielle vers le suivi des outils. Nos résultats expérimentaux montrent que le réseau à double décodeur à attention (DDANet) obtient des performances supérieures par rapport à d’autres méthodes récentes de deep learning. DDANet atteint un coefficient de Dice de 0,8739 et un mean intersection-over-union de 0,8183 sur le jeu de données du défi Robust Medical Instrument Segmentation (ROBUST-MIS) 2019, à une vitesse en temps réel de 101,36 images par seconde, un critère crucial pour ces procédures chirurgicales.