一种单眼内镜图像深度估计方法,基于一个适应窗口的不对称双分支姆网络
Nannan Chong1,2, Fan Yang3, Kewei Wei4
1School of Information and Intelligence Engineering, Tianjin Renai College, Jinjing Road, Jinghai District, Tianjin, 301636, China. chongnannan@163.com.
Scientific reports
|May 15, 2025
概括
这项研究引入了一种新的深度学习方法,用于对内镜图像进行准确的深度估计,从而改善手术可视化. 适应窗口的非对称双分支姆网络增强了特征表示,以获得更好的外科和诊断结果.
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:
- 最少侵入性手术依赖于内镜成像,这通常会带来诸如低质感和不均照明等挑战.
- 这些图像质量问题可能会影响手术和诊断的准确性.
- 深度学习为增强内镜图像处理提供了潜在的解决方案.
研究的目的:
- 提出一种新的单眼医学内镜图像深度估计方法.
- 在具有挑战性的内镜环境中提高深度估计的准确性和稳定性.
- 增强特征表示,以便更好地进行手术指导和诊断.
主要方法:
- 开发了一个适应窗口的不对称的双分支语网络架构.
- 一个分支处理全球图像信息,而另一个分支则专注于本地细节.
- 一个改进的轻量级Squeeze-and-Excitation (SE) 模块和一个交叉注意力功能融合模块被纳入了增强的功能交互和表示.
主要成果:
- 拟议的方法在多个医疗和非医疗数据集上表现出比现有方法更好的性能.
- 定量指标 (RMSE,AbsRel,FLOPs,运行时间) 证实了该模型的有效性.
- 定性结果显示,与CT图像相比,器官边界匹配能力良好.
结论:
- 开发的深度学习模型显著提高了医疗内镜图像的深度估计.
- 该方法在改善临床环境中的外科导航和诊断能力方面具有前景.
- 该方法为传统内镜成像的局限性提供了一个强大的解决方案.
