基于自监督学习方法的单目内窥镜稠密深度估计
计算机视觉与模式识别
2019-10-31 v2 机器学习
摘要
我们提出一种自监督方法，用于训练卷积神经网络从单目内窥镜数据进行稠密深度估计，而无需对解剖结构或光照进行先验建模。我们的方法仅需要单目内窥镜视频和多视图立体方法（例如运动恢复结构）以稀疏方式监督学习。因此，我们的方法在训练和应用阶段既不需要手动标注，也不需要患者计算机断层扫描（CT）。在一项以 CT 扫描作为真值的跨患者实验中，所提方法达到了亚毫米平均残差误差。在针对为自然视频设计的近期自监督深度估计方法在活体鼻窦内窥镜数据上的比较研究中，我们证明所提方法大幅优于先前的方法。本工作的源代码已在 https://github.com/lppllppl920/EndoscopyDepthEstimation-Pytorch 公开提供。
引用
@article{arxiv.1902.07766,
title = {Dense Depth Estimation in Monocular Endoscopy with Self-supervised Learning Methods},
author = {Xingtong Liu and Ayushi Sinha and Masaru Ishii and Gregory D. Hager and Austin Reiter and Russell H. Taylor and Mathias Unberath},
journal= {arXiv preprint arXiv:1902.07766},
year = {2019}
}
备注
Accepted to IEEE Transactions on Medical Imaging