基于显式位置关系建模的腹腔镜胆囊切除术手术对象检测增强研究

本研究针对腹腔镜胆囊切除术(LC)中手术对象检测精度不足的问题，提出基于位置关系编码器(Relation-LCSOD)的改进模型。通过引入显式位置关系建模和并行关系流管道，在Endoscapes和m2cai16-tool-locations数据集上分别实现33.95%和17.97%的mAP提升，显著提高了关键解剖结构如胆囊三角(HC Triangle)的检测精度(AP提升92.46%)，为AI辅助手术决策提供了可靠工具。

　　

在微创手术领域，腹腔镜胆囊切除术(LC)作为治疗胆结石等疾病的"金标准"术式，其复杂性却长期困扰着外科医生——术中需要精准识别胆囊管、胆囊动脉等关键解剖结构，稍有不慎就可能造成胆管损伤(BDI)。尽管人工智能(AI)在医学影像分析中展现出巨大潜力，但现有技术对手术场景中动态多变的对象检测仍存在明显局限：传统模型难以捕捉器械与解剖结构间的空间关联，导致关键结构识别率低下，严重制约着AI在真实手术环境中的应用可靠性。

针对这一临床痛点，德国科隆大学医院(University Hospital of Cologne, Germany)的研究团队在《Computational Biology and Chemistry》发表创新成果。他们开发的Relation-LCSOD模型通过三个关键技术突破：1) 基于Pearson相关系数(PCC)构建位置关系编码器，量化对象间空间关联(MC>0.5表示强相关)；2) 采用改进的渐进式注意力机制(Refined Progressive Attention)动态优化查询匹配；3) 设计并行关系流管道解决阳性样本不足问题，在保持精度的同时将冗余检测框减少90%。

研究结果部分显示：在包含6类解剖结构的Endoscapes-BBox201数据集上，Focal-L骨干网络版本以43.8%的mAP@50:95显著超越基准模型Deformable-DETR(提升33.95%)，其中胆囊三角(HC Triangle)检测精度从19.9%跃升至38.3%。位置关系分析表明，该数据集具有强空间相关性(MC>0.5)，模型能利用胆囊与工具的位置线索辅助识别被遮挡的脉管结构。而在工具检测为主的m2cai16-tool-locations数据集(MC分布较分散)中，Swin-L版本以96.5% AP@50实现最优性能，剪刀(Scissors)识别率提升40.68%，验证了模型的场景适应性。

这项研究的突破性在于首次将显式空间关系建模引入手术对象检测，通过Macroscopic Correlation(MC)量化解剖约束条件，使AI更贴合外科医生的空间认知逻辑。开发的LCSOD-tool(https://github.com/xyn-abc/LCSOD-tool)已开源，支持临床快速部署。未来通过整合时序信息和多中心数据，有望进一步解决胆囊板(Cystic Plate)等低对比度结构的检测难题，为智能手术导航系统奠定关键技术基础。