Core Concepts
Durch Anpassung der Zusammensetzung des Trainingsdatensatzes und der Gewichtung von Vorder- und Hintergrundklassen können die Leistungsmerkmale von Segmentierungsmodellen für die laparoskopische Chirurgie verbessert werden.
Abstract
Die Studie untersucht den Einfluss von Merkmalen des Trainingsdatensatzes und der Modellparameter auf die Leistung von Segmentierungsmodellen für anatomische Strukturen in laparoskopischen Bildern.
Schlüsselergebnisse:
- Die Segmentierungsleistung hängt von der Größe der anatomischen Strukturen ab, wobei kleinere Organe schlechtere Ergebnisse zeigen.
- Die Einbeziehung von negativen Beispielen (Bilder ohne das Zielorgan) in den Trainingsdatensatz verbessert die Präzision, Genauigkeit und Spezifität der Modelle, insbesondere für kleine Organe.
- Die Anpassung der Gewichtung von Vorder- und Hintergrundklassen während des Trainings ermöglicht die Optimierung spezifischer Leistungsmetriken, je nach klinischer Anwendung.
Diese Erkenntnisse tragen dazu bei, die Praxistauglichkeit von Segmentierungsmodellen in der laparoskopischen Chirurgie zu verbessern, indem Verzerrungen im Trainingsdatensatz und Modellparameter berücksichtigt werden.
Stats
Der Anteil der Vordergrundfläche (Zielorgan) an der Gesamtfläche des Bildes reicht von 1,2% für den Ureter bis 26,2% für die Bauchwand.
Je größer das Zielorgan, desto höher sind in der Regel der F1-Score, der IoU-Wert und die Sensitivität, während Genauigkeit und Spezifität leicht abnehmen.
Quotes
"Durch Anpassung der Gewichtung von Vorder- und Hintergrundklassen während des Trainings kann die Leistung der Segmentierungsmodelle hinsichtlich spezifischer Metriken optimiert werden, je nach klinischer Anwendung."
"Die Einbeziehung von negativen Beispielen (Bilder ohne das Zielorgan) in den Trainingsdatensatz verbessert die Präzision, Genauigkeit und Spezifität der Modelle, insbesondere für kleine Organe."