深度学习增强的Colmap用于3D重建和细分面部葡萄酒斑点,以进行全面的评估

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 皮肤病学 皮肤病学

背景情况:

• 准确的3D重建和葡萄酒污点 (PWS) 的细分对于治疗规划和结果评估至关重要.
• 挑战包括PWS病变的各种形状,颜色异质性和模糊的边界.
• 本研究通过综合的3D重建和细分方法来解决这些挑战.

研究的目的:

• 开发一种综合方法,精确的3D重建和分段葡萄酒葡萄酒污点 (PWS) 病变.
• 提高PWS病变特征的准确性,用于临床应用.
• 为量化评估和治疗规划提供一个强大的工具.

主要方法:

• 开发了一种新的方法,将深度学习与Colmap 3D重建算法结合起来.
• 一个具有颜色校准的标准化图像采集系统确保了高质量,颜色准确的2D图像.
• 多色空间自适应融合网络用于2D细分,并使用3D点云信息重建了3D形态.

主要成果:

• 3D重建实现了0.9611毫米的平均RMSE与结构光扫描参考相比.
• CLIP的相似性得分超过了0.92,验证了重建的准确性.
• 3D损伤表面积计算的平均相对误差为4.59%,超过了2D方法.

结论:

• 成功获得了高质量的3D PWS病变,具有精确的边界和卓越的颜色保真度.
• 集成的深度学习和Colmap方法促进了PWS病变的精确3D重建和细分.
• 这种方法为PWS评估和治疗规划提供了一个有前途的工具.