距离回归通过时间信息融合和对机器人辅助内分显微镜对抗训练来增强距离回归

科学领域:

• 医疗成像医学成像
• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能

背景情况:

• 精确的探针-组织距离对于在术内瘤切除过程中基于探针的高质量共聚焦激光内分显微镜 (pCLE) 数据至关重要.
• 保持微米级工作范围需要精确的机器人操纵和自动距离估计.
• 现有的方法在pCLE数据中的噪音和稳定性方面存在问题,影响诊断准确度.

研究的目的:

• 开发一种新的深度回归框架,用于PCLE中的自动探针-组织距离估计.
• 提高PCLE数据的质量和稳定性,以改善手术内诊断.
• 在处理杂的PCLE数据和提高回归精度方面推进最先进的 (SOTA) 网络.

主要方法:

• 提出了一个新的深度回归框架,将深度回归生成对抗网络 (DR-GAN) 与序列注意 (SA) 模块 (SA-RBF) 结合起来.
• DR-GAN采用了基于图像的增强监控方法,具有定义的图像生成功能和结合空间和频率域特征的新感知损失.
• 该SA-RBF模块使用交叉注意力机制与辐射基函数编码结合时间信息,并设计了一种多步训练机制.

主要成果:

• 拟议的框架有效地抑制了pCLE数据中的噪声,这是当前方法的一个重大挑战.
• 序列注意与辐射基函数编码 (SA-RBF) 模块通过融合时间数据表示来提高回归稳定性.
• 该网络在准确性,数据质量和稳定性方面在pCLE回归数据集 (PRD) 上表现优于SOTA网络.

结论:

• 新的深度回归框架显著改善了对PCLE的探针-组织距离估计.
• 这一进步通过提供更高质量和更稳定的PCLE数据来增强手术内诊断能力.
• 开发的方法比使用pCLE.手术指导的现有技术有了显著的改进.