基于一致性学习的内窥镜图像域适应方法在器械分割中的应用
本文研究使用深度学习技术处理外科手术的数据,并通过数据合成技术建立一个更具普适性的数据集,提高模型的泛化性能,实现在真实数据领域取得了显著的成果。
Jun, 2023
该综述文章着重介绍了目前基于纯视觉的、不附加任何标记的单帧和带有时间信息的最小侵入性手术图像中手术工具分割和跟踪方法,重点关注深度学习方法和公开数据集的使用,讨论了存在的不足之处和未来发展的潜能。
Apr, 2023
本文介绍了一项比较研究,探讨了在机器人以及传统腹腔镜手术中,基于视觉的不同方法用于器械分割和追踪的效果。研究表明,现代的深度学习方法在器械分割任务中表现优异,但结果还不完美。此外,合并不同方法的结果实际上显著提高了准确性。与此同时,器械追踪任务的结果表明,在传统腹腔镜手术中这仍然是一个待解决的挑战。
May, 2018
利用深度学习,将 2D 的手术工具姿态估计重构为热力图回归,与分割同时进行。实验证明,该方法可以显著提高性能,超越现有技术在 Retinal Microsurgery 和 MICCAI EndoVis Challenge 2015 的表现。
Mar, 2017
提出了一种 Endoscopy Continual Semantic Segmentation (EndoCSS) 框架,通过迭代生成模型的伪回放图像和自适应噪声交叉熵损失,解决内镜图像分割中因类别增量引起的灾难性遗忘问题。通过在公共数据集上进行大量的持续语义分割实验,证明了该方法能够有效地应对内镜场景中的灾难性遗忘问题,并具有在流式学习方式下进行实际部署的巨大潜力。
Aug, 2023
通过使用时间一致性自我监督的有效简单方式,在内窥镜图像的低数据情况下,相对单眼深度对训练模型进行了改进,并在该任务中优于现有的自我监督技术,同时也显著优于内窥镜领域的最先进方法。我们还发布了我们的代码、模型和集成的元 - 医学数据集 Meta-MED,为未来的工作建立了一个强大的基准。
Mar, 2024
结直肠癌是世界上最常见的癌症之一。本文描述了 2022 年 EndoVis 挑战赛中的人工结直肠三维重建问题及其解决方案的研究成果,并展示了虚拟结直肠镜检查中深度预测问题的可靠解决方案,同时指出姿态估计问题仍然是一个待解决的研究方向。
Jul, 2023
通过图像翻译方法,我们生成了外科镜检查图像的大量合成数据集,并展示了这样的数据集可用于训练和提高肝脏分割模型性能的可能性。
Jul, 2019
基于深度神经网络的语义分割可提高机器人辅助手术中手术器械和组织的精确性。然而,在生物学学习中,深度神经网络无法随着时间的推移学习增量任务,表现出灾难性遗忘现象。为了解决这个问题,本研究开发了一种隐私保护的合成持续语义分割框架,通过合成背景和新器械来均衡地融合旧模型和持续学习模型,同时引入了多尺度特征蒸馏以保持语义对象之间的长短距离空间关系。
Feb, 2024