检索历史 清除

摘要背景与目的<br>　　计算机辅助手术(Computer-assistedsurgery,CAS)系统旨在使用计算机技术，辅助临床医生进行临床诊疗，在诊断、术前计划、手术模拟、导航等方面有广泛的应用。手术器械的自动分割是对手术器械进行像素级的分类，高精度的手术器械分割是计算机辅助手术系统的基础，它对于阶段识别、手术评估、手术器械跟踪、姿势估计和手术监测等各项手术任务都至关重要。然而，手术场景较为复杂，其图像存在各种复杂的问题，会给高准确度器械分割带来很多挑战。首先，手术过程当中手术器械连续运动，导致在手术视野范围内器械尺寸形态等发生动态变化；其次，手术期间存在设备运动以及人为生理性抖动，导致器械运动模糊；最后，由于光照局限于手术局部区域，导致视野下局部区域过亮，局部区域过暗，从而使得手术器械与其周围组织相似性高。这些手术场景下的问题都会降低手术器械分割的准确度。U-Net是一种广泛应用于医学图像分割的多层次网络，然而，它各层之间缺少交互，并且对特征的处理方式相同。另外，U-Net的跳跃连接使模型包含有过多的不相关信息。这些缺点使得U-Net模型不能直接用于解决手术场景。<br>　　为解决上述问题，本文基于U-Net创新性地设计了三种不同的神经网络结构。对于手术器械的尺度变化，设计一种多尺度-多层级模型用于捕获不同外观尺寸的手术器械；对于运动模糊，提出一种基于边缘通道注意网络以准确识别边缘处的器械；对于手术场景下的高相似性问题，引入了一种基于上下文特征引导的双向注意网络来区分相似的手术器械及其周围组织。<br>　　材料与方法<br>　　本研究材料包括三个公开手术数据集，分别是CADIS数据集，RigidInstruments数据集以及EndoVis2018数据集。应用任务包括二类分割以及多类分割。<br>　　1.多尺度-多层级特征网络用于手术器械分割算法研究(Multi-scaleandMulti-levelFeatureNetwork,MMF-Net)<br>　　以U-Net为基本网络，提出了多尺度-多层级特征网络用于提取丰富的特征。具体来说，五个不同尺度的原始图像被输入到U-Net编码器中以提取多尺度特征，然后提出膨胀特征金字塔模块，将不同层次解码器特征进行融合以输出最终结果。<br>　　2.基于边缘通道注意力的手术器械分割算法研究(EdgeChannelAttentionUnet,EC-Unet)<br>　　为识别边缘处的器械，提出一种边缘通道注意网络。器械边缘及形状信息属于细节信息，本文提出非线性通道特征提取模块构建U型网络以捕获图像中的细节特征；同时为捕获器械语义特征，提出特征自注意力模块以建模长距离的特征；最后在U型网络解码器后端通过边缘注意力模块以强调手术器械的边缘。<br>　　3.上下文特征引导的双向注意机制用于手术器械分割算法研究(ContextGuidedBi-directionalAttentionNetwork,CGBA-Net)<br>　　网络包含两个新的模块，引导连接注意力模块和双向注意模块。引导连接注意力模块利用高级语义特征来指导低级细节特征自适应地学习手术器械的上下文信息。双向注意模块从图像的水平和垂直方向获得充分的注意力，它们相互补充以增加感兴趣区域(手术器械)的表示。<br>　　本文使用包括准确性(Accuracy)、召回率(Recall)、联合交叉(IoU)、骰子(Dice)、联合频率加权交叉(FWIoU)、F1分数(F1-score)及他们的平均值多种评价指标用于衡量三种基于U-Net模型的分割优劣。<br>　　结果<br>　　MMF-Net在CADIS数据集上获得了98.7%的精确度，79.4%的F1-score分数以及65.9%的IoU值，在RigidInstruments数据集上获得了97.6%的精确度，89.9%的F1-score分数值以及81.7%的IoU值，均高于相比较的其他方法结果。对于EC-Unet，在CADIS数据集中，EC-Unet的mIoU值比相比较的模型提高了10.63%；在EndoVis2018数据集中，相比于其他模型，EC-Unet的mIoU值提高了5.5%。对于CGBA-Net，其在CADIS以及EndoVis2018数据集上优于相比较的方法，并且mIoU评估指标提高了约2%。<br>　　结论<br>　　本研究基于U-Net网络进行改进，提出三个不同的神经网络方法用于解决手术场景下存在手术器械尺度变化幅度大，手术器械边缘模糊以及器械与其周围组织相似性高三个问题。采用多个评价指标对提出的方法进行测试并将结果进行可视化以证明模型的有效性。多种实验证明，本文提出的方法在上述手术场景下具有良好的性能，并为手术场景下的后续研究提供了高可靠性的基础。