Apr, 2023

单目内窥镜深度估计的几何感知深度神经网络

PDF
TL;DR本文提出了一种在内窥镜术中进行单目深度估计的方法，该方法利用几何一致性损失和梯度损失来提高重建效果，并使用合成的 RGB-Depth 数据集来捕捉解剖结构上的反射和照明变化，实验结果表明该方法在实现视频 - CT 配准算法的精度要求时，具有优于现有方法的表现。
monocular depth estimationgeometric consistency lossendoscopic videosrgb-depth datasetanatomical structures
发现论文，激发创造
  • 使用自我监督学习方法进行单目内窥镜密集深度估计

    提出了一种基于单目内窥镜数据的自监督卷积神经网络训练方法，无需解剖学或阴影的先验建模，仅需要单目内窥镜视频和多视角立体方法，如运动结构，以稀疏方式监督学习。

    Feb, 2019

  • 单目内窥镜中用于密集深度估计的自监督学习

    本文提出一种无监督的自我监督方法，用于训练卷积神经网络从单目内窥镜数据中密集地估计深度，而无需先验建模解剖或着色。

    Jun, 2018

  • 利用近场照明从内窥镜视频进行单目深度估计

    本论文介绍了在内窥镜图像中利用光度线索提高单目深度估计的方法，并通过使用自监督和监督训练的方法，结合教师 - 学生迁移学习，实现了对内窥镜图像的高质量深度估计。

    Mar, 2024

  • 学习如何在内窥镜视频中稳健地估计相机姿态

    该研究提出一种基于双目内窥镜深度估计和光流的深度声明网络，通过减小两个几何损失优化相机姿态估计，并且引入了两个自适应的像素权重映射来平衡贡献，实现在挑战性的内窥镜手术场景中更加鲁棒的相机姿态估计，具有推进微创外科领域相关任务（如 SLAM 或 3D 重建）的研究意义。

    Apr, 2023

  • 利用逼真的合成数据库学习形状来自阴影，估计结肠镜图像中的结肠深度

    通过从单帧单目结肠镜视频中估计结肠深度图的新方法提高内部深度的估计，通过定制损失函数优化边缘和曲率估计误差，以及使用自定义合成数据库进行训练，该方法在深度估计方面达到了竞争水平。

    Nov, 2023

  • 内窥镜单目深度预测任务导向的领域差异减小

    该研究提出了一种新方法来利用标记的合成数据和未标记的真实数据，以实现对结肠镜序列的更具弹性和准确的深度图预测。

    Oct, 2023

  • 结直肠镜深度估计的跨任务一致性多任务学习

    该研究论文介绍一种新颖的多任务学习方法，用于通过共享编码器和两个解码器进行肠镜深度估计，提高对结肠黏膜表面的准确度。

    Nov, 2023

  • 使用三维表面感知约束的三维内窥镜深度估计

    本文提出了一种基于表面感知性约束的深度估计方法，将相机参数纳入训练管道以增加深度估计的控制和透明度，并整合了去除高光模块以恢复更多 buried image 信息，且实验和用户研究证明了该方法的有效性。

    Mar, 2022

  • 单目内窥镜视频中鼻窦解剖结构的稠密三维重建的定量评估

    通过定量分析，我们使用自监督方法对内窥镜定位进行了定量分析，采用与高分辨率计算机断层扫描相结合的内窥镜序列和光学跟踪获取的 9 个离体标本的结果显示，所生成的重建与解剖结构高度一致，重建与 CT 分割间的平均点对网格误差为 0.91 毫米，然而，在点对点匹配场景中，即对内窥镜跟踪和导航至关重要的情况下，我们发现平均目标注册误差为 6.58 毫米。我们发现姿态与深度估计的不准确性对此误差贡献相等，并且具有更短轨迹的局部一致性序列生成更准确的重建。因此，为了改进重建并促进临床应用，实现相对相机姿态和估计深度与解剖学的全局一致性至关重要。

    Oct, 2023

  • 通过结构感知和互补数据集提高单目深度估计

    本文提出了一种结构感知的神经网络来处理单目深度估计过程中普遍存在的结构信息缺失问题，该网络采用了空间注意力块来捕捉视觉特征的空间关系，引入全局聚焦相对损失来增强深度预测的空间约束，并引入了新的 Hard Case Depth 数据集和专门的渐进式训练策略来训练模型，实验证明该方法在 NYUDv2 数据集上具有很高的预测精度和泛化性能。

    Jul, 2020