Tracciamento ottico-visivo per applicazioni di realtà aumentata nelle procedure di impianto cocleare

Abstract

Gli impianti cocleari (CIs) hanno rivoluzionato il trattamento della perdita uditiva neurosensoriale da grave a profonda, con risultati che cambiano la vita dei pazienti. Nel frattempo, i sistemi di tracciamento ottico (OTS) sono diventati un componente standard della navigazione medica, della robotica e dell'imaging aereo, consentendo il tracciamento preciso in tempo reale degli oggetti grazie a sensori ottici avanzati e algoritmi informatici.

Per il tracciamento della posizione degli strumenti, il Filtro di Kalman Esteso (EKF) ha dimostrato un'ottima performance, con un errore medio inferiore a 0,3 mm e una deviazione standard di 0,74 mm.

Nel nostro studio, è stata confrontata la performance dei modelli YOLOv8, YOLOv9 e YOLOv11 per il rilevamento di un oggetto in ambito medico. Tra questi modelli, YOLOv9 si è rivelato il più performante, ottenendo punteggi di precisione media media (MAP50 (B)) e MAP50-95 (B) compresi tra 0,743–0,812 e oltre 0,505, rispettivamente. In particolare, ha ottenuto eccellenti risultati nell’identificazione degli strumenti (miglior MAP50 (B) = 0,886, MAP50-95 (B) = 0,73) e ha mostrato miglioramenti significativi su classi difficili come Mani (MAP50 (B) = 0,837) ed Elettrodi (MAP50 (B) = 0,792), dimostrando una notevole capacità di generalizzazione e un buon bilanciamento tra precisione e richiamo.

Nei compiti di segmentazione, YOLOv9 ha ottenuto i migliori risultati sia sul dataset LION che sul dataset Cadaver, evidenziando la sua capacità di adattarsi a diverse fonti di dati. Questo studio mette in luce il potenziale dell'integrazione di modelli avanzati di tracciamento e rilevamento, come EKF e YOLOv9, nelle applicazioni mediche, sottolineando stabilità e accuratezza per un utilizzo nel mondo reale.

Cochlear implants (CIs) have revolutionized the treatment of severe to profound sensorineu- ral hearing loss, with life-altering outcomes for patients. Meanwhile, optical tracking sys- tems (OTS) have become a standard component of medical navigation, robotics, and aerial imaging, enabling precise real-time object tracking by advanced optical sensors and com- puter algorithms. For position tracking of the tools, the Extended Kalman Filter (EKF) was excellent with a mean error of less than 0.3 mm and a standard deviation of 0.74 mm. In our research, the performance of the YOLOv8, YOLOv9, and YOLOv11 models for the detection of an object in the medical field is compared. Between these models, YOLOv9 was top performing, having mean average precision (MAP50 (B)) and MAP50-95 (B) scores of 0.743–0.812 and over 0.505, respectively. It especially did very well at identifying Tools (best MAP50 (B) = 0.886, MAP50-95 (B) = 0.73) and achieved significant gains on difficult classes like Hands (MAP50 (B) = 0.837) and Electrodes (MAP50 (B) = 0.792), boasting impressive generalization and precision-recall trade-off. On segmentation tasks, YOLOv9 functioned best on LION dataset as well as the Cadaver dataset, illustrating its capability to support an array of different data sources. This study highlights the poten- tial in the integration of strong tracking and detection models like EKF and YOLOv9 in medical applications, emphasizing stability and accuracy for real-world application.