Clinical Validation of Deep Learning for Real-Time Tissue Oxygenation Estimation Using Spectral Imaging

要約

組織虚血の正確でリアルタイムの監視は、組織の健康とガイド手術を理解するために重要です。
スペクトルイメージングは​​、組織酸素化の非接触および術中モニタリングの大きな可能性を示しています。
直接参照の酸素化値を取得するのが難しいため、従来の方法は線形解除技術に基づいています。
これらは仮定を起こしやすく、これらの線形関係は必ずしも実際に保持されるとは限りません。
この作業では、モンテカルロシミュレーションスペクトルを使用して、リアルタイム組織酸素化推定のための深い学習アプローチを提示します。
このタスクのために、完全に接続されたニューラルネットワーク（FCN）と畳み込みニューラルネットワーク（CNN）をトレーニングし、シミュレートされた臨床スペクトルデータと実際の臨床スペクトルデータのギャップを埋めるためにドメイン副業トレーニングアプローチを提案します。
結果は、これらの深い学習モデルが、従来の線形解除と比較して、手術中のスペクトルイメージング中に得られた低酸素症のよく知られているマーカーである毛細血管乳酸測定とより高い相関を達成することを示しています。
特に、ドメインと副業のトレーニングにより、ドメインギャップが効果的に削減され、実際の臨床環境でのパフォーマンスが最適化されます。

要約(オリジナル)

Accurate, real-time monitoring of tissue ischemia is crucial to understand tissue health and guide surgery. Spectral imaging shows great potential for contactless and intraoperative monitoring of tissue oxygenation. Due to the difficulty of obtaining direct reference oxygenation values, conventional methods are based on linear unmixing techniques. These are prone to assumptions and these linear relations may not always hold in practice. In this work, we present deep learning approaches for real-time tissue oxygenation estimation using Monte-Carlo simulated spectra. We train a fully connected neural network (FCN) and a convolutional neural network (CNN) for this task and propose a domain-adversarial training approach to bridge the gap between simulated and real clinical spectral data. Results demonstrate that these deep learning models achieve a higher correlation with capillary lactate measurements, a well-known marker of hypoxia, obtained during spectral imaging in surgery, compared to traditional linear unmixing. Notably, domain-adversarial training effectively reduces the domain gap, optimizing performance in real clinical settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google