剪切-然后-增大:向内镜图像的可靠深度和距离测量估计

科学领域:

• 医疗机器人 医疗机器人
• 计算机视觉 计算机视觉
• 手术导航 手术导航

背景情况:

• 深度和距离测量估计对于机器人辅助的内膜干预非常重要.
• 由于在获得体内真实数据方面存在挑战,因此更喜欢不受监督的学习.
• 现有的方法与成像文物,有限的解剖标记物,组织运动和镜像反射作斗争,影响准确性和通用性.

研究的目的:

• 开发一个改进的无监督学习框架,用于内镜成像中的深度和距离测量估计.
• 在具有挑战性的体内条件下提高估计方法的准确性和通用性.

主要方法:

• 一个新的修剪-然后-增强框架,利用"掩盖-然后恢复"策略.
• 使用卷积网络掩盖文物区域并重建深度/姿势.
• 采用一个增强模块,具有特定任务的损失函数,用于稳定的特征对建立.

主要成果:

• 与最先进的无监督方法相比,准确度显著提高.
• 证明了对图像工件的有效性和弹性.
• 在体内环境中表现出稳定性.

结论:

• 拟议的框架有效地解决了对内镜深度和距离测量估计的现有无监督方法的局限性.
• 该方法为机器人辅助内光干预提供了更好的准确性,通用性和稳定性.