基于改进Non-local的腹腔镜手术器械检测算法研究.pdfVIP

摘要

基于改进Non-local的腹腔镜手术器械检测算法研究

微创手术(MinimallyInvasiveSurgery,MIS)因为其有着传统手术所无法具备

的手术创面小、感染风险低、伤口愈合快等优势，而深受医生与病人的推崇。它

的关键步骤是在病人腹部开一个小口，使手术器械能够通过这个小口进入病人的

体内找到病患处，对病患处进行手术操作，操作完成之后包扎体内与体外的伤口。

因为其避免了传统手术中开胸或开腹所造成的大面积创面，所以大大提升了病人

的手术体验。由于微创手术需要医生通过器械上的摄像头传回的画面来了解病人

病患处的详细信息，来指导下一步操作，所以微创手术对医生提出了更高的要求，

并且对所使用的技术也有了更高的期望，迫切需要新技术来充分挖掘微创手术视

频中的信息，为医务人员服务，来提高手术的质量。

深度学习技术由于优异的性能，近些年来发展势头迅猛，已经席卷了众多研

究领域。以计算机视觉领域为例，深度学习解决方案已经完全颠覆了传统方法的

地位，成为了视觉领域的主流方案。而深度学习在医学图像处理方面的应用也取

得了突破性的进展，但是把计算机视觉领域中通用性的成熟方法原封不动地照搬

应用到医学图像处理领域效果并不是太好，原因在于医学图像数据集与通用类别

数据集相比有着许多不同：

第一，微创手术中手术器械的工作环境空间有限，使得手术器械的成像距离

很短，也就导致手术器械只要稍微移动一下前后距离，就会让屏幕上的成像大小

发生剧烈变化，这种尺度的波动性给检测任务带来了挑战；

第二，手术器械检测领域中的器械之间有着密切的逻辑信息，例如某两个或

三个手术器械必须同时使用，互相配合才能完成一些特定的操作，这些信息的获

取与利用，对于提高检测算法的性能至关重要；

第三，微创手术期间，同一时刻手术器械往往是凑在一起，共同对病患处进

行操作，致使器械之间距离过近，器械之间相互遮挡，这就使得使用通用的目标

检测方法可能会出现严重的漏检情况。

为了解决以上的这些问题，本文提出了一个全新的网络模型——Soft-ANL-

RCNN。针对上述提到的第一点，本网络引入了一个特征融合模块，通过融合不

Íò·½Êý¾Ý

同层次的特征，给网络模型带来了尺度不变性，增强了模型对不同尺度目标的检

测能力。针对上述第二点，Soft-ANL-RCNN网络中使用改进的Non-local模块，

通过计算特征图中点与点的相关性来挖掘手术器械之间的逻辑关系，增强了特征

图的表达能力。针对上述第三点，Soft-ANL-RCNN使用SoftNMS算法来代替常

用的非极大值抑制算法，提高了模型对密集目标的检测能力。

本文选取m2cai-tool-localtion公开数据集进行了实验验证，并且为了测试

Soft-ANL-RCNN的鲁棒性，我们联合专业医学团队制作了手术器械检测数据集

AJU-Set。实验证明Soft-ANL-RCNN在两个数据集上都有不俗的表现，七种手术

器械检测结果均有不同程度提升，尤其是与其他器械存在配合使用关系的手术器

械，它们的检测结果进步明显。在随后的消融对比实验中，实验结果也证明，Soft-

ANL-RCNN的每个部件都扮演着重要的角色。

关键词：

深度学习，目标检测，Non-local，手术器械，特征融合

Íò·½Êý¾Ý

Abstract

ImprovedNon-localbasedlaparoscopysurgicalinstrumentdetection

algorit