【技术实现步骤摘要】
【国外来华专利技术】基于深度学习的实时剩余外科手术持续时间(RSD)估计
[0001]本公开整体涉及构建基于机器学习的外科规程分析工具,并且更具体地涉及用于基于内窥镜视频馈送在外科规程的实况外科时间期间执行基于深度学习的实时剩余外科手术持续时间(RSD)估计的系统、装置和技术。
技术介绍
[0002]手术室(OR)成本是最高的医疗保健相关成本之一。随着医疗保健支出的飙升,旨在降低OR成本和提高OR效率的OR成本管理已成为越来越重要的研究课题。OR成本通常基于每分钟的成本结构来衡量。例如,2005年的一项研究表明OR成本在从每分钟22美元到133美元的范围内,平均成本为每分钟62美元。在这种每分钟的成本结构中,给定外科规程的OR成本与外科规程的持续时间/时长成正比。因此,准确的外科手术持续时间估计对于构建有效的OR管理系统起着重要作用。需注意,如果OR团队高估外科手术持续时间,则将导致价格高昂的OR资源利用不足。另一方面,如果低估外科手术持续时间,则将导致其他OR团队和患者的等待时间较长。然而,由于患者的多样性、外科医生的技术和其他不可预测的因素,准确预测外科手术持续时间非常具有挑战性。
[0003]上述问题的一个解决方案是使用机器学习根据腹腔镜视频馈送来自动地估计剩余外科手术持续时间(RSD)。例如,现有的RSD估计技术用预定义的外科阶段手动地标记训练数据集的每个帧。然后基于训练数据集来训练监督式机器学习模型,以估计训练数据集中的每个时间戳处的外科阶段。接下来,通过利用训练数据集中的每个外科阶段的统计数据,可以估计完成当前外科阶 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种计算机实现的方法,用于基于外科规程的实况外科时间的实时内窥镜视频连续地实时预测所述实况外科时间的剩余外科持续时间(RSD),所述方法包括:在所述实况外科时间的当前时间接收所述内窥镜视频的当前帧,其中所述当前时间在用于在所述实况外科时间期间进行连续RSD预测的预测时间点的序列之中;在对应于所述实况外科时间的开始的所述内窥镜视频的开始和对应于所述当前时间的所述当前帧之间,随机采样对应于所述实况外科时间的已过去部分的所述内窥镜视频的N
‑
1个附加帧;将所述N
‑
1个随机采样的帧和所述当前帧按时间顺序组合以获得N个帧的集合;将所述N个帧的集合馈送到用于所述外科规程的经过训练的RSD机器学习(ML)模型中;以及基于所述N个帧的集合,从所述经过训练的RSD ML模型输出当前RSD预测。2.根据权利要求1所述的计算机实现的方法,其中N被选择为足够大,使得所述N
‑
1个随机采样的帧提供在所述实况外科时间的所述已过去部分期间已经发生的各种事件的足够准确的快照。3.根据权利要求1所述的计算机实现的方法,其中对所述实况外科时间的所述已过去部分进行随机采样允许在进行连续RSD预测时在不同的预测时间点对所述内窥镜视频中的给定帧进行不止一次的采样。4.根据权利要求1所述的计算机实现的方法,其中所述方法还包括基于所述N个帧的集合,使用所述经过训练的RSD ML模型生成所述实况外科时间的完成百分比的预测。5.根据权利要求1所述的计算机实现的方法,其中所述方法还包括通过以下方式改进所述当前时间的所述当前RSD预测:多次重复以下步骤以生成当前RSD预测的集合:在对应于所述实况外科时间的开始的所述内窥镜视频的开始和对应于所述当前时间的所述当前帧之间,随机采样对应于所述实况外科时间的所述已过去部分的所述内窥镜视频的N
‑
1个附加帧;将所述N
‑
1个随机采样的帧和所述当前帧按时间顺序组合以获得N个帧的集合;将所述N个帧的集合馈送到经过训练的RSD ML模型中;以及基于所述N个帧的集合,从所述经过训练的RSD ML模型生成当前RSD预测;以及计算所述当前RSD预测的集合的平均值和方差值;以及通过使用所计算的平均值和方差值作为所述当前RSD预测来改进所述当前RSD预测。6.根据权利要求1所述的计算机实现的方法,其中所述方法还包括通过以下方式来改进所述RSD预测:生成与所述内窥镜视频中的所述预测时间点的序列相对应的实时RSD预测的连续序列;以及将低通滤波器应用于所述实时RSD预测的序列,以通过移除所述实时RSD预测的序列中的高频抖动来平滑所述RSD预测。7.根据权利要求1所述的计算机实现的方法,其中所述方法还包括通过以下方式生成训练数据集:接收所述外科规程的训练视频的集合,其中所述训练视频的集合中的每个视频对应于
由熟练于所述外科规程的外科医生执行的所述外科规程的执行;对于所述训练视频的集合中的每个训练视频,通过根据预先确定的时间间隔在整个所述训练视频中的等间隔的时间点序列执行训练数据生成步骤序列来构建经标记训练数据的集合,其中在所述时间点序列中对应的时间点的所述训练数据生成步骤序列中的每个训练数据生成步骤包括:在所述对应的时间点接收所述训练视频的当前帧;在所述训练视频的开始和所述当前帧之间,随机采样对应于所述外科时间的所述已过去部分的所述训练视频的N
‑
1个附加帧;将所述N
‑
1个随机采样的帧和所述当前帧按时间顺序组合以获得N个帧的集合;以及用与所述当前帧相关联的标签来标记所述N个帧的集合;以及输出与所述训练视频的集合相关联的多个经标记训练数据的集合。8.根据权利要求7所述的计算机实现的方法,其中所述方法还包括通过以下方式建立所述经过训练的RSD ML模型:接收卷积神经网络(CNN)模型;用包括所述多个经标记训练数据的集合的所述训练数据集来训练所述CNN模型;以及基于所述经过训练的CNN模型来获得所述经过训练的RSD ML模型。9.根据权利要求7所述的计算机实现的方法,其中在生成所述训练数据集之前,所述方法还包括通过以下方式标记所述训练视频的集合中的每个训练视频:对于所述训练视频中的每个视频帧,自动地确定从所述视频帧到所述训练视频的结束的剩余外科持续时间;以及用所确定的剩余外科持续时间作为所述视频帧的所述标签来自动地标注所述视频帧。10.根据权利要求7所述的计算机实现的方法,其中与所述当前帧相关联的所述标签包括以分钟为单位的相关联的剩余外科持续时间。11.根据权利要求8所述的计算机实现的方法,其中所述CNN模型包括被配置为接收视频帧序列作为单个输入的动作识别网络架构(I3d)。12.根据权利要求8所述的计算机实现的方法,其中用所述训练数据集训练所述CN...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。