Estimación robusta de profundidad monocular auto-supervisada para escenas de deformación de tejidos blandos...

Área de la Ciencia:

• Visión por Computadora
• Imágenes Médicas
• Robótica

Sus antecedentes:

• El aprendizaje auto-supervisado (SSL) se destaca en la estimación de profundidad monocular y ego-motion.
• Las escenas endoscópicas presentan desafíos únicos: los reflejos especulares y la deformación de los tejidos blandos dificultan la precisión del SSL.

Objetivo del estudio:

• Desarrollar un método robusto de SSL para la estimación de profundidad monocular en entornos endoscópicos desafiantes.
• Mejorar la precisión abordando los reflejos especulares y las deformaciones de los tejidos blandos.

Principales métodos:

• Se introdujo una estrategia de transformación de distancia de imagen para manejar los reflejos especulares.
• Se propuso una restricción de deformación de tejido blando biomecánico para mejorar la precisión a nivel de píxel.
• Se empleó una arquitectura ligera para una computación eficiente y una inferencia más rápida.

Principales resultados:

• Se logró una estimación robusta de profundidad monocular en conjuntos de datos públicos (SCARED, SERV-CT) y personalizados.
• Se demostró una precisión y robustez comparables a los métodos del estado del arte (SOTA).
• Se obtuvo un RMSE de 4.96 mm con solo 2.25M de parámetros en el conjunto de datos SCARED.

Conclusiones:

• El método propuesto supera eficazmente las limitaciones de las técnicas SSL existentes en la visión endoscópica.
• El enfoque muestra un potencial significativo para aplicaciones clínicas en la navegación quirúrgica asistida por computadora.
• Ofrece un equilibrio de precisión, robustez y eficiencia computacional para un rendimiento en tiempo real.