基于时空层的操作内立体深度估计网络,通过等级预测和渐进式培训
Ziyang Chen1, Laura Cruciani1, Elena Lievore2
1Politecnico di Milano, Department of Electronics, Information and Bioengineering, Milano, 20133, Italy.
Computer methods and programs in biomedicine
|November 25, 2023
概括
这项研究引入了一个深度学习网络,用于精确的3D深度估计机器人手术. 该方法增强了手术内视力,并通过提供精确的空间信息来提高手术安全性.
科学领域:
- 计算机视觉 计算机视觉
- 医疗机器人 医疗机器人
- 人工智能的人工智能
背景情况:
- 术内深度估计对于通过增强视觉和运动约束来提高机器人手术安全性至关重要.
- 精确的3D场景定位对于先进的外科应用是必不可少的.
- 深度学习为改善内镜视图中的深度估计提供了显著的潜力.
研究的目的:
- 开发基于深度学习的方法,用于在手术内内镜场景中准确的3D深度估计.
- 为了提高手术环境的3D空间信息恢复的精度.
- 通过先进的视觉来提高机器人辅助手术的安全性和能力.
主要方法:
- 设计了一个完整的3D编码器解码器网络,整合了时空层.
- 该网络使用等级预测和渐进式学习策略.
- 这种方法旨在提高预测准确度,减少培训时间.
主要成果:
- 拟议的网络实现了2.55±1.51mm的平均绝对误差 (MAE) 和5.23±1.40mm的根平均平方误差 (RMSE).
- 在8个具有1280×1024分辨率的手术视频上评估了表现.
- 该方法在同一数据集上表现优于其他六种最先进的技术.
结论:
- 开发的网络显示了对手术内立体图像的深度估计性能有前途.
- 这项技术可以集成到机器人辅助手术系统中.
- 增强的深度感知有助于提高手术安全.


