单眼腹腔镜视频的双关联优化粗细策略通过多级序列合特征描述器进行特征匹配

科学领域:

• 计算机视觉 计算机视觉
• 医疗成像医学成像
• 手术技术 手术技术

背景情况:

• 在单眼腹腔镜视频中准确的特征匹配对于计算机辅助手术可视化至关重要.
• 现有的方法与腹腔镜成像挑战如噪音,模糊和照明变化作斗争,限制匹配质量和效率.
• 高质量的匹配需要精确的同位谱和相对姿势估计,足够的匹配和快速计算.

研究的目的:

• 开发一种新的方法,在单眼腹腔镜视频中实现高质量和高效的特征匹配.
• 在具有挑战性的外科成像条件下解决当前特征匹配技术的局限性.
• 通过优质的特征匹配,提高计算机辅助手术中的可视化增强.

主要方法:

• 一个新的顺序合特征描述器,使用swin变压器层来高效地提取多层特征表示.
• 一个双关联优化的粗细策略,用于在粗细水平上建立密集匹配,并在精细水平上提炼像素智能匹配.
• 将描述符和策略集成到顺序合双相关联网络 (SeCo DC-Net) 中.

主要成果:

• 在Scared和EndoSLAM数据集上,SeCo DC-Net在最先进的方法上表现出优越的性能.
• 在同位图估计,相对姿势估计和减少再投影误差方面表现优于现有方法.
• 与其他方法相比,实现了更多匹配对数和更快的推理运行时间.

结论:

• 拟议的SeCo DC-Net有效地克服了单眼腹腔镜视频特征匹配的局限性.
• 该网络在准确性,效率和手术可视化匹配数量方面提供了显著的改进.
• 开发的方法为增强计算机辅助手术应用提供了强大的解决方案.