Lors des interventions chirurgicales endoscopiques, le chirurgien doit connaître en temps réel la position des instruments chirurgicaux. Les algorithmes actuels de détection d’objets sont affectés par des réflexions et des ombres, ce qui laisse une marge d’amélioration en termes de précision et de taux de fausses absences. Cet article propose une méthode de détection et de segmentation des instruments chirurgicaux basée sur une version améliorée de YOLOv5s. Tout d'abord, un algorithme de correction gamma est utilisé pour ajuster la luminosité et le contraste des images afin de résoudre les problèmes liés aux réflexions et aux ombres sur les instruments; ensuite, des modules CBAM et de convolution dynamique sont conçus pour augmenter le poids des caractéristiques importantes, améliorant ainsi la précision de la détection et réduisant le taux de fausses absences ; parallèlement, le module de pooling en pyramide spatiale est optimisé pour élargir le champ réceptif, permettant une meilleure reconnaissance des objets à différentes échelles ; enfin, une tête de segmentation sémantique FPN est conçue pour réaliser la fonction de segmentation sémantique. Les résultats expérimentaux sur un ensemble de données d’interventions endoscopiques montrent que le mAP@0.5 de la détection est de 98,2 % et que le mIoU de la segmentation sémantique est de 94,0 %. La méthode proposée peut aider les chirurgiens à localiser rapidement les instruments chirurgicaux et leur type, améliorant ainsi l’efficacité des opérations.

instruments chirurgicaux;détection d’objets;segmentation sémantique;mécanisme d’attention