Este trabajo se centra en la aplicación de técnicas de aprendizaje profundo, en concreto, el desarrollo de una red neuronal convolucional para su uso en segmentación semántica de imágenes laparoscópicas de colecistectomía.
El modelo ha sido entrenado a partir de un conjunto de imágenes reales de cirugías, incorporando técnicas de aumento de datos y estrategias específicas para optimizar la segmentación de clases minoritarias, con el fin de mejorar su capacidad de generalización frente a distintos contextos quirúrgicos y condiciones visuales.
El propósito principal del modelo es identificar y delimitar tanto los distintos elementos anatómicos como las herramientas quirúrgicas más comunes presentes en el campo operatorio, con la esperanza de que el modelo pueda ser útil en entornos clínicos, asistiendo al cirujano en tiempo real, de forma que contribuya a intervenciones más precisas y seguras. Además, puede servir como apoyo durante la formación médica de los estudiantes.
Finalmente, se analizan los resultados obtenidos por el algoritmo, evaluando su capacidad para segmentar con precisión las diferentes regiones de interés.
Abstract:
This work focuses on the application of deep learning techniques, specifically the development of a convolutional neural network (CNN) for semantic segmentation of laparoscopic images from cholecystectomy procedures.
The model has been trained using a dataset of real surgical images, incorporating data augmentation techniques and targeted strategies to improve the segmentation of minority classes, with the aim of enhancing its generalization capabilities across different surgical contexts and visual conditions.
The main goal of the model is to identify and delineate both anatomical structures and common surgical tools present in the operative field, with the expectation that it could prove useful in clinical settings by assisting the surgeon in real time, thus contributing to more precise and safer interventions. Additionally, it may serve as a valuable support tool in medical training for students.
Finally, the results obtained by the algorithm are analyzed, assessing its ability to accurately segment the different regions of interest.
Este trabajo se centra en la aplicación de técnicas de aprendizaje profundo, en concreto, el desarrollo de una red neuronal convolucional para su uso en segmentación semántica de imágenes laparoscópicas de colecistectomía.
El modelo ha sido entrenado a partir de un conjunto de imágenes reales de cirugías, incorporando técnicas de aumento de datos y estrategias específicas para optimizar la segmentación de clases minoritarias, con el fin de mejorar su capacidad de generalización frente a distintos contextos quirúrgicos y condiciones visuales.
El propósito principal del modelo es identificar y delimitar tanto los distintos elementos anatómicos como las herramientas quirúrgicas más comunes presentes en el campo operatorio, con la esperanza de que el modelo pueda ser útil en entornos clínicos, asistiendo al cirujano en tiempo real, de forma que contribuya a intervenciones más precisas y seguras. Además, puede servir como apoyo durante la formación médica de los estudiantes.
Finalmente, se analizan los resultados obtenidos por el algoritmo, evaluando su capacidad para segmentar con precisión las diferentes regiones de interés.
Abstract:
This work focuses on the application of deep learning techniques, specifically the development of a convolutional neural network (CNN) for semantic segmentation of laparoscopic images from cholecystectomy procedures.
The model has been trained using a dataset of real surgical images, incorporating data augmentation techniques and targeted strategies to improve the segmentation of minority classes, with the aim of enhancing its generalization capabilities across different surgical contexts and visual conditions.
The main goal of the model is to identify and delineate both anatomical structures and common surgical tools present in the operative field, with the expectation that it could prove useful in clinical settings by assisting the surgeon in real time, thus contributing to more precise and safer interventions. Additionally, it may serve as a valuable support tool in medical training for students.
Finally, the results obtained by the algorithm are analyzed, assessing its ability to accurately segment the different regions of interest. Read More
Related posts:
Modelado tridimensional del prototipo de coche de competición UPM05e del equipo UPM Racing, por métodos de fotogrametría de objeto cercano (carrocería)
Introducción a las actividades de exploración de crudo y gas natural
Comparación cualitativa de los resultados de la esqueletización de los viales identificados por segmentación semántica usando redes generativas y de los algoritmos tradicionales
Diffusion Model Based Brain Tumour Segmentation Enhanced With Inpainting Method
Automatic Generation of Optimized Quantum Circuits for Real-world Machine Learning Applications
Análisis del Servicio de Recolección de Residuos en una ciudad inteligente. Un Caso de Estudio en Torreón, Coahuila, México