Oct, 2023

内窥镜单目深度预测任务导向的领域差异减小

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • SimCol3D - 结肠镜检中的三维重建挑战

    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

  • 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

  • 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

  • 基于时间一致性的将相对单目深度转移到外科视觉上

    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

  • 利用深度引导的神经表面进行高保真内窥镜图像合成

    通过将NeuS应用于内窥镜图像并辅以单帧深度图，我们在结肠切片重建方面引入了一种新的方法，该方法解决了单目结肠镜图像重建中的组织纹理表示不足和尺度混淆问题，通过严格的实验证明了其在渲染结肠切片方面的异常精确性，为稳定和一致缩放重建打开了新的途径，为癌症筛查和治疗干预提供了更好的质量。

    Apr, 2024

  • 保持结构的图像翻译用于结肠镜视频中的深度估计

    本研究解决了结肠镜视频中单目深度估计面临的合成数据与实际临床数据之间的域差距问题。提出了一种结构保持的合成到真实图像翻译通用流程，以生成大量逼真的合成图像，从而提高深度估计的泛化能力。研究结果表明，翻译后的图像在保持深度几何特征的同时具有较高的真实性，有助于下游深度估计任务表现的提升。

    Aug, 2024

  • EndoOmni：通过噪声标签的强鲁棒自学习实现内窥镜的零样本跨数据集深度估计

    本研究解决了医学数据稀缺和标注质量低下导致的内窥镜单幅图像深度估计的局限性。我们提出了EndoOmni，这是首个用于内窥镜零样本跨域深度估计的基础模型，通过改进的自学习框架，结合深度标签和信心估计，显著提高了医疗成像的相对深度估计的准确性，实验结果表明，与现有方法相比，绝对相对误差减少了41%。

    Sep, 2024

  • 基于不确定性全局和局部融合网络的单目结肠镜图像深度估计的推广

    本研究旨在解决传统结肠镜图像深度估计面临的挑战，尤其是在真实临床场景下获取真实深度图的困难。提出的一种结合卷积神经网络和 Transformer 的框架，通过不确定性融合块提升了模型的泛化能力，能够有效处理多种数据分布和表面反射问题。研究结果表明，该方法在多个数据集上具有出色的泛化能力，有望推动内窥镜自动导航及其他临床任务的发展。

    Sep, 2024