通过深度特征意识重建和双路径特征聚合金字塔进行自我监督的内镜深度估计.
1School of Mechanical and Electrical Engineering, Chengdu University of Technology, Chengdu, China. renyukang@stu.cdut.edu.cn.
Journal of imaging informatics in medicine
|March 4, 2026
概括
本研究引入了用于内镜深度估计的新人工智能框架,改进了最小侵入性手术中的3D空间指导. 创新的双路特征聚合金字塔模块和深度特征意识重建模块显著提高了准确性和概括性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 内镜对于胃肠道,呼吸道和尿道的微创手术至关重要.
- 在内镜成像中精确的深度估计对于提高手术精度和患者安全至关重要.
- 现有的方法在层次信息交互和语义一致性方面存在局限性.
研究的目的:
- 开发一个先进的AI框架,用于内镜深度估计.
- 改进微创手术期间的3D空间指导.
- 为了克服传统深度估计技术的局限性.
主要方法:
- 提出了一种新的框架,使用双路径特征聚合金字塔模块 (DPFAP) 来进行层次对齐和融合.
- 引入了深度特征意识重建模块 (DFAR),用于无监督学习的特征重建损失策略.
- 使用SCARED和Hamlyn内镜数据集进行培训和验证.
主要成果:
- 在SCARED数据集上实现了最先进的性能,在Abs Rel,RMSE和delta指标上取得了显著的改进.
- 与现有方法相比,Abs Rel减少3.9%,RMSE减少1.9%.
- 在Hamlyn数据集上展示了出色的概括能力和场景适应性.
结论:
- 拟议的DPFAP和DFAR模块为内镜深度估计提供了强大而有效的解决方案.
- 该框架提供了优质的3D空间指导,提高了最小侵入性手术的安全性.
- 该算法的强大性能和通用性验证了其在各种内镜应用中的实际实用性.
