EISegNet: mejora de la red de segmentación de instrumentos mediante la estimación de la disparidad de doble visión

Área de la Ciencia:

• Visión por computadora
• La robótica
• Imágenes médicas

Sus antecedentes:

• La segmentación precisa de los instrumentos endoscópicos es crucial para la cirugía asistida por robots, lo que permite una navegación y automatización precisas.
• Los métodos monoculares existentes luchan con la segmentación de instrumentos debido a entornos complejos, similitud entre el instrumento y el tejido y variaciones de iluminación.
• Las distintas distribuciones de profundidad de los instrumentos, a menudo pasadas por alto, ofrecen una característica clave para una mejor segmentación.

Objetivo del estudio:

• Desarrollar un marco avanzado, EISegNet, para una mejor segmentación de los instrumentos endoscópicos.
• Aprovechar el aprendizaje multitarea combinando la segmentación por instrumentos con la estimación de las disparidades.
• Mejorar la robustez y generalización de los métodos de segmentación en diversos escenarios quirúrgicos.

Principales métodos:

• Propuso EISegNet, un marco de tareas múltiples que integra la segmentación por instrumentos y la estimación auxiliar de las disparidades.
• Implementó un mecanismo asimétrico de atención cruzada para la fusión de características entre las tareas de segmentación y disparidad.
• Adaptó la estimación de disparidad estéreo para la estimación de profundidad de doble vista e incorporó una función de pérdida ponderada por Gauss para el énfasis de las características de los bordes.

Principales resultados:

• Logró un aumento del 5,97% en la intersección sobre la Unión (IoU) para la segmentación por instrumentos.
• Demostró una precisión y generalización superiores en experimentos de conjuntos de datos cruzados extensos.
• Demostró un rendimiento prometedor en las evaluaciones cualitativas de los conjuntos de datos clínicos.

Conclusiones:

• EISegNet mejora efectivamente la precisión de segmentación de instrumentos endoscópicos al incorporar información de profundidad y borde.
• El marco de tareas múltiples y la nueva función de pérdida mejoran el rendimiento en condiciones quirúrgicas difíciles.
• El método muestra un potencial significativo para el avance de la automatización quirúrgica y la seguridad en aplicaciones clínicas del mundo real.