Nouvelles

Jun 02, 2024

L'ensemble de données d'anatomie chirurgicale de Dresde pour la segmentation des organes abdominaux dans la science des données chirurgicales

Scientific Data volume 10, Numéro d'article : 3 (2023) Citer cet article 5751 Accès 1 Citations 29 Détails d'Altmetric Metrics La laparoscopie est une technique d'imagerie qui permet une intervention mini-invasive

Données scientifiques volume 10, Numéro d'article : 3 (2023) Citer cet article

5751 Accès

1 Citation

29 Altmétrique

Détails des métriques

La laparoscopie est une technique d'imagerie qui permet des procédures mini-invasives dans diverses disciplines médicales, notamment la chirurgie abdominale, la gynécologie et l'urologie. À ce jour, les ensembles de données d’images laparoscopiques accessibles au public se limitent pour la plupart à des classifications générales de données, à des segmentations sémantiques d’instruments chirurgicaux et à de faibles annotations de faible volume d’organes abdominaux spécifiques. L'ensemble de données d'anatomie chirurgicale de Dresde fournit des segmentations sémantiques de huit organes abdominaux (côlon, foie, pancréas, intestin grêle, rate, estomac, uretère, glandes vésiculaires), de la paroi abdominale et de deux structures vasculaires (artère mésentérique inférieure, veines intestinales) en vue laparoscopique. . Au total, cet ensemble de données comprend 13 195 images laparoscopiques. Pour chaque structure anatomique, nous fournissons plus d’un millier d’images avec des segmentations en pixels. Les annotations comprennent des segmentations sémantiques d'organes uniques et un ensemble de données de segmentation multi-organes comprenant des segments pour les onze structures anatomiques. De plus, nous fournissons de faibles annotations de présence d’organes pour chaque image. Cet ensemble de données élargit considérablement l’horizon des applications de la science des données chirurgicales en matière de vision par ordinateur en chirurgie laparoscopique et pourrait ainsi contribuer à une réduction des risques et à une traduction plus rapide de l’intelligence artificielle dans la pratique chirurgicale.

Des mesures)

Chirurgie laparoscopique

Type(s) de technologie

Laparoscopie

Type(s) de facteur

Présence et localisation de structures anatomiques dans les images laparoscopiques

Caractéristique de l'échantillon - Organisme

Un homme sage

Caractéristique de l'échantillon - Environnement

abdomen

Caractéristique de l'échantillon - Emplacement

cavité abdominale

La chirurgie laparoscopique est une technique couramment utilisée qui facilite les interventions chirurgicales mini-invasives ainsi que la chirurgie assistée par robot et présente plusieurs avantages par rapport à la chirurgie ouverte : durée d'hospitalisation réduite, moins de pertes de sang, récupération plus rapide, meilleure vision chirurgicale et, surtout pour procédures robotisées, contrôle plus intuitif et précis des instruments chirurgicaux1,2. Pendant ce temps, une grande partie des informations contenues dans l’image ne sont pas utilisées, car l’attention humaine n’est pas en mesure de traiter cette immense quantité d’informations en temps réel. De plus, des connaissances anatomiques et une expérience médicale sont nécessaires pour interpréter les images. Cette barrière représente un point de départ prometteur pour le développement de fonctions d’assistance informatique basées sur l’intelligence artificielle (IA).

Les méthodes et techniques en développement rapide fournies par l'utilisation de l'IA, plus précisément la reconnaissance automatisée d'instruments, d'organes et d'autres structures anatomiques dans des images ou des vidéos laparoscopiques, ont le potentiel de rendre les procédures chirurgicales plus sûres et moins longues3,4,5, 6. Les ensembles de données d'images laparoscopiques open source sont limités et les ensembles de données existants tels que Cholec807, LapGyn48, SurgAI9 ou l'ensemble de données colorectales de Heidelberg10 comprennent principalement des annotations au niveau de l'image qui permettent à l'utilisateur de différencier si la structure d'intérêt est affichée ou non dans une image sans donnant des informations sur sa situation spatiale spécifique et son apparence. Cependant, de telles annotations au niveau des pixels sont nécessaires pour diverses tâches d’apprentissage automatique destinées à la reconnaissance d’images dans le contexte de la science des données chirurgicales11. En milieu clinique, de tels algorithmes pourraient faciliter la reconnaissance dépendante du contexte et ainsi la protection des structures anatomiques vulnérables, visant à terme à accroître la sécurité chirurgicale et la prévention des complications.

L’un des principaux goulots d’étranglement dans le développement et l’application clinique de telles fonctions d’assistance basées sur l’IA est la disponibilité de données d’images laparoscopiques annotées. Pour relever ce défi, nous proposons des segmentations sémantiques qui fournissent des informations sur la position d'une structure spécifique par des annotations de chaque pixel d'une image. Basé sur les données vidéo de 32 résections ou extirpations rectales assistées par robot, cet ensemble de données offre un total de 13 195 images laparoscopiques largement annotées montrant différents organes intra-abdominaux (côlon, foie, pancréas, intestin grêle, rate, estomac, uretère, glandes vésiculaires) et structures anatomiques (paroi abdominale, artère mésentérique inférieure, veines intestinales). Pour une représentation réaliste des obstacles laparoscopiques courants, il présente différents niveaux de visibilité des organes, notamment des parties d'organes petites ou partiellement couvertes, des artefacts de mouvement, un éclairage inhomogène et de la fumée ou du sang dans le champ de vision. De plus, l’ensemble de données contient des étiquettes faibles de visibilité des organes pour chaque image individuelle.