A comprehensive survey on recent deep learning-based methods applied to surgical data

要約

低侵襲手術は術者への依存度が高く、手術時間が長く、外科医の疲労や、臓器の損傷、感染、出血、麻酔の合併症などの患者のリスクを引き起こします。
このようなリスクを軽減するために、外科医に手術中のガイダンスを提供できるリアルタイム システムの開発が望まれます。
たとえば、ツールのローカリゼーション、ツール (または組織) の追跡、深さの推定のための自動化されたシステムは、外科手術中の誤算を防ぐ手術シーンの明確な理解を可能にします。
この作業では、手術器具のローカリゼーション、セグメンテーション、追跡、3D シーン認識など、最近の機械学習ベースのアプローチの体系的なレビューを提示します。
さらに、手術ナビゲーション タスクに広く使用されている、公開されているベンチマーク データセットの詳細な概要を提供します。
最近の深層学習アーキテクチャは有望な結果を示していますが、注釈付きデータセットの欠如、手術シーンでのアーティファクトの存在、解剖学的構造の 3D 再構築を妨げる非テクスチャ表面など、まだいくつかの未解決の研究問題があります。
私たちの包括的なレビューに基づいて、現在のギャップと手術における技術の適応を改善するために必要な手順についての議論を提示します。

要約(オリジナル)

Minimally invasive surgery is highly operator dependant with a lengthy procedural time causing fatigue to surgeon and risks to patients such as injury to organs, infection, bleeding, and complications of anesthesia. To mitigate such risks, real-time systems are desired to be developed that can provide intra-operative guidance to surgeons. For example, an automated system for tool localization, tool (or tissue) tracking, and depth estimation can enable a clear understanding of surgical scenes preventing miscalculations during surgical procedures. In this work, we present a systematic review of recent machine learning-based approaches including surgical tool localization, segmentation, tracking, and 3D scene perception. Furthermore, we provide a detailed overview of publicly available benchmark datasets widely used for surgical navigation tasks. While recent deep learning architectures have shown promising results, there are still several open research problems such as a lack of annotated datasets, the presence of artifacts in surgical scenes, and non-textured surfaces that hinder 3D reconstruction of the anatomical structures. Based on our comprehensive review, we present a discussion on current gaps and needed steps to improve the adaptation of technology in surgery.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google