Video Experimental Relacionado
Updated: Sep 10, 2025
Robotized Testing of Camera Positions to Determine Ideal Configuration for Stereo 3D Visualization of Open-Heart Surgery
Published on: August 12, 2021
Segmentación colaborativa de instrumentos quirúrgicos para la estimación de la profundidad monocular en cirugía
Xue Li1, Wenxin Chen2, Xingguang Duan1
1the School of Mechatronical Engineering, Beijing Institute of Technology, 30 Xueyuan Road, Haidian District, Beijing, 100081, China; the Key Laboratory of Biomimetic Robots and Systems, Beijing Institute of Technology, 30 Xueyuan Road, Haidian District, Beijing, 100081, China.
Este estudio introduce un nuevo marco de auto-supervisión en dos etapas para la estimación de la profundidad monocular en cirugía. Al integrar la segmentación de instrumentos, mejora significativamente la percepción 3D para los procedimientos guiados por imágenes.
Área de la Ciencia:
- Imágenes médicas
- Visión por computadora
- Tecnología quirúrgica
Sus antecedentes:
- La percepción 3D precisa es crucial para la cirugía guiada por imágenes, especialmente en entornos mínimamente invasivos.
- La estimación de profundidad monocular a partir de imágenes 2D presenta desafíos en entornos quirúrgicos complejos.
Objetivo del estudio:
- Desarrollar un marco de estimación de profundidad monocular auto-supervisado mejorado por la segmentación de instrumentos.
- Mejorar la comprensión espacial y el razonamiento geométrico en escenas quirúrgicas.
Principales métodos:
- Se propuso un enfoque de aprendizaje auto-supervisado en dos etapas.
- Etapa 1: Entrenamiento separado de los modelos de segmentación y estimación de profundidad.
- Etapa 2: Fusión de máscaras de segmentación con entrada RGB para el refinamiento de profundidad utilizando un codificador compartido y varios descodificadores.
Principales resultados:
- El marco fue validado en conjuntos de datos RIS, SCARED, dVPN y SERV-CT.
- La estimación de profundidad consciente de la segmentación demostró un razonamiento geométrico mejorado.
- Se observó un rendimiento mejorado en escenarios desafiantes como oclusiones y especularidades.
Conclusiones:
- El marco propuesto mejora efectivamente la estimación de profundidad monocular a través de prioridades a nivel de tareas.
- La integración de la segmentación de instrumentos mejora la percepción 3D para la navegación quirúrgica.
- El enfoque muestra generalizabilidad en diversos conjuntos de datos quirúrgicos.
