基于深度学习的肺部自主驾驶定位
计算机视觉与模式识别
2019-07-19 v1 机器人学
摘要
肺癌是全球癌症相关死亡的首要原因，早期诊断是改善患者预后的关键。为诊断癌症，训练有素的肺科医生必须操控柔性支气管镜深入肺部分支结构进行活检。由于与术前 CT 图谱配准不佳，26%–33% 的病例活检未能取到目标组织。为改善术中配准，我们开发了两种基于支气管镜视频实时在术前 CT 图谱中定位支气管镜的深度学习方法，称为 AirwayNet 和 BifurcationNet。网络完全基于患者特异性 CT 生成的模拟图像进行训练。在仿体肺的 recorded 支气管镜视频上评估时，AirwayNet 以 0.97 的精确率-召回率曲线下面积优于其他深度学习定位算法。利用 AirwayNet，我们展示了仅基于视频反馈的仿体肺自主驾驶。机器人在左右肺四个目标中 95% 的试验里到达。在八例人类尸体肺的 recorded 视频上，AirwayNet 的精确率-召回率曲线下面积介于 0.82 至 0.997。
引用
@article{arxiv.1907.08136,
title = {Autonomous Driving in the Lung using Deep Learning for Localization},
author = {Jake Sganga and David Eng and Chauncey Graetzel and David B. Camarillo},
journal= {arXiv preprint arXiv:1907.08136},
year = {2019}
}
备注
10 pages, 11 figures. arXiv admin note: text overlap with arXiv:1903.10554