単眼大腸内視鏡検査におけるカメラ内因性ガイド学習によるスケール整合性のある3D再構成

科学分野:

• 医用画像処理
• コンピュータビジョン
• 消化器病学

背景:

• 結腸内腔の正確な3D空間理解は、大腸内視鏡検査の品質評価にとって非常に重要です。
• 単眼大腸内視鏡には深度センサーが欠けており、正確なスケール整合性のある深度とカメラ運動の回復を妨げます。
• 既存の方法では、単眼内視鏡ビデオから安定した正確な3D再構成を達成する上で課題に直面しています。

研究 の 目的:

• 単眼大腸内視鏡検査におけるスケール整合性のある3D再構成のための新しいフレームワークを開発すること。
• センサーフリーアプローチを使用して正確な深度とカメラ運動を回復すること。
• 大腸内視鏡検査手順における形状認識分析と品質評価を改善すること。

主な方法:

• Adaptive Depth Adjustmentモジュールを使用して合成データで深度推定ネットワークを事前トレーニングする2段階のトレーニング戦略。
• 合成カメラ深度予測を疑似深度ラベルに変換するための内因性ガイドスケールアライメントモジュールを利用する。
• 形状認識3D損失と、推論のためのグローバルに整合性のある最適化戦略を使用した共同深度ポーズ学習を採用する。

主要な成果:

• C3VDデータセットで最先端の深度と姿勢精度を達成し、既存のベースラインを大幅に上回りました。
• 臨床ビデオから解剖学的に妥当な結腸内腔形状の再構成を実証し、安定した解釈可能なスケール回復を示しました。
• 最も強力なベースラインと比較して、AbsRelを16.1%、軌道APEを86.7%削減しました。

結論:

• 提案されたフレームワークは、単眼大腸内視鏡検査におけるスケール整合性のある3D再構成のためのセンサーフリーソリューションを提供します。
• 正確な深度とカメラ運動を提供することにより、信頼性の高い形状認識分析と品質評価を可能にします。
• 内視鏡検査手順からの大腸解剖学のダウンストリーム分析と理解の改善を促進します。