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。

Apr, 2023

我们在内窥镜成像中解决了准确性和鲁棒性方面的关键挑战，特别强调了实时推断和反射的影响。我们提出了一种创新的轻量级解决方案，通过整合卷积神经网络（CNN）和Transformer来预测多尺度深度图。我们的方法包括优化网络架构，引入多尺度膨胀卷积和多通道注意机制。我们还引入了一种统计置信度边界掩模，以最小化反射区域的影响。此外，我们提出了一种新颖的复杂度评估指标，考虑了网络参数大小、浮点操作和推断帧率。我们的研究旨在显著提高腹腔镜手术的效率和安全性。我们对我们提出的方法进行了全面评估，并与现有解决方案进行了比较。结果表明，我们的方法在保持轻量级的同时确保了深度估计的准确性。

Aug, 2023

通过分析内窥镜图像的特性，改进了图像和神经网络之间的兼容性，并在深度学习模型中引入了部分图像信息恢复全局信息的方法，以及提出了轻量级神经网络来增强内窥镜图像的能力，从而提高了内窥镜导航的准确性和稳定性。

Sep, 2023

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

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

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

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

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

本研究解决了现有深度估计网络在内窥镜图像应用中的局限性。我们提出了一种新颖的微调策略，结合内在的无监督单目深度估计框架，利用随机向量的低秩适应技术，提高模型对不同尺度的适应能力。实验结果表明，该方法在精度和安全性上显著增强了微创内窥镜手术的效果。

Sep, 2024

本研究解决了内窥镜中的深度与姿态估计问题，尤其在复杂的胃肠道条件下现有方法的局限性。通过引入生成潜在库和变分自编码器，提出了一种稳健的自监督框架，有效提升了深度预测的真实感与准确性。实验结果表明，该方法在深度与姿态估计方面显著优于现有自监督技术，具有重要的临床应用潜力。

Nov, 2024