利用一个现实的合成数据库来学习Shape-from-Shading用于估计结肠镜图像中的结肠深度

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 结肠镜对于诊断和治疗结肠直肠癌至关重要,但解剖学变异性带来了挑战.
• 准确的深度感知对于有效的结肠镜检查至关重要,但在技术上很难实现.
• 现有的方法与结肠的复杂视觉性质作斗争.

研究的目的:

• 开发一种新的人工智能驱动的方法,用于从单眼结肠镜视频的单个中估计结肠深度图.
• 为了提高深度估计的准确性,特别是围绕诸如多和折叠之类的解剖特征.
• 提供一个工具,以帮助早期检测和特征结直肠异常.

主要方法:

• 一个卷积神经网络从头开始使用定制,现实的合成结肠镜数据库 (248,400) 来训练.
• 深度图是从结肠壁对光源的阴影变化中推断出来的.
• 实现了自定义的损失函数,以提高边缘和曲率的深度估计准确度,改善部折叠和多的细节.

主要成果:

• 该方法在合成数据集上实现了高精度 (95.65%值) 和低误差 (平均RMSE为0.451cm).
• 对实体结肠镜数据的定性评估显示了一致和可靠的视觉深度估计.
• 该方法表现出与最先进的方法相比具有竞争力的性能,并使结肠的有用3D重建成为可能.

结论:

• 开发的AI方法有效地从单眼视频中估计结肠深度,解决了结肠镜中的关键局限性.
• 这种技术有可能提高诊断能力,改善结直肠癌查患者的结果.
• 发布的数据集和代码促进了人工智能辅助结肠镜的进一步研究和开发.