Detecção de instrumentos cirúrgicos em imagens de laparoscopia utilizando machine learning

Abstract

A laparoscopia é definida como a visualização telescópica da cavidade abdominal, por meio da técnica operatória video cirurgia (SILVA, 2006). Contribuiu de forma significativa para os avanços tecnológicos relacionados a intervenções cirúrgicas abdominais, como a apendicectomia (retirada total ou parcial do apêndice), colecistectomia (retirada total ou parcial da vesícula biliar), cirurgias ginecológicas, a hernioplastia, entre outros (NETO, 2003). Apresenta diversas vantagens sobre as cirurgias abertas como redução do tempo de internação, da morbidade pós-operatória, das complicações da ferida cirúrgica, pequenas incisões, além de permitir recuperação e retorno precoce às atividades, evidenciando a menor agressividade desse método cirúrgico (NETO, 2003).Geralmente é necessário o mínimo de dois médicos para a ação da laparoscopia, um médico é responsável pelos instrumentos cirúrgicos e o outro fica manipulando a câmera. Uma área de pesquisa que vêm crescendo é a de automação de robôs cirúrgicos que possam manipular a câmera e até mesmo realizar alguns tipos de operações, como por exemplo (CHOI,2017; CHENG,2020),toda via , devido a limitação em espaço, visão e feedback, estes robôs são muito propensos a erros, do qual, em uma cirurgia poderia causar lesões ao paciente, prejudicar os equipamentos, dentre outros. Uma proposta de solução para este problema é a aplicação de algoritmos de machine learning para que o robô possa ter um feedback mais consistente da posição dos equipamentos cirúrgicos e das dimensões internas, de modo que o seu desempenho seja elevado suficientemente para a aplicação destes robôs em cirurgias de laparoscopia. Portanto, este trabalho tem o objetivo de gerar um algoritmo com o auxilio de machine learning capaz de identificar instrumentos cirúrgicos em imagens de laparoscopia, para isso, foi utilizado redes neurais convolucionais como modelo de machine learning. Os trabalhos de (PEREZ,2020) e (RONNEBERGER,2015) são as principais fontes de inspiração, o banco de imagens disponibilizado por (PEREZ,2020) permitiu um treinamento com imagens simuladas pela plataforma unity 3D, de modo que, foi obtido como resultado dois modelos de redes neurais: Uma treinada com imagens mais simples, do qual, nãofoi capaz de identificar os aparelhos cirurgicos em imagens reais. O segundo modelo, treinado com imagens mais complexas, é capaz de destacar o aparelho cirurgico do restanto da imagem.