基于学习的立体匹配方法在腹腔镜图像的跨域设置中的差异精细化框架

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 手术技术 手术技术

背景情况:

• 深度估计对于计算机辅助手术可视化至关重要.
• 基于学习的立体匹配显示出前景,但受到领域转移和数据要求的影响.
• 这些方法的稳定性和准确性仍然是挑战.

研究的目的:

• 开发一个差异改进框架,以加强基于学习的立体匹配,用于腹腔镜外科手术.
• 解决现有方法的局限性,包括域转移和数据依赖.
• 在跨域设置中提高深度估计的准确性和稳定性.

主要方法:

• 提出了一个差异精炼框架,将本地和全球精炼结合起来.
• 在自然图像上预先训练的基于学习的立体匹配方法在腹腔镜数据集上进行了测试.
• 该框架被评估为其改进噪音差异地图并保持准确性的能力.

主要成果:

• 拟议的框架有效地改进了未见数据集上的噪声破坏差异地图.
• 当网络普遍化良好时,预测准确度保持不变.
• 定性和定量结果证明了该框架的有效性.

结论:

• 差异精细化框架提高了基于学习的立体匹配对深度估计的稳定性和准确性.
• 它提供了一种解决方案,尽管腹腔镜训练数据有限,但可以提高性能.
• 集成到现有网络可以显著提高在手术中的深度估计能力.