血管内介入中基于光流引导变形的端到端实时导管分割
图像与视频处理
2020-06-17 v1 计算机视觉与模式识别
机器人学
摘要
准确的实时导管分割是机器人辅助血管内介入的重要前提。由于真值标注的困难，现有大多数基于学习的导管分割与跟踪方法仅在小规模数据集或合成数据上训练。此外，术中成像序列的时间连续性未被充分利用。在本文中，我们提出 FW-Net，一种用于血管内介入的端到端实时深度学习框架。所提出的 FW-Net 包含三个模块：具有编码器-解码器架构的分割网络、用于提取光流信息的流网络，以及一种新颖的用于学习时间帧间连续性的光流引导变形函数。我们表明，通过有效学习时间连续性，该网络可仅使用原始真值进行训练，从而在实时序列中成功分割并跟踪导管。详细的验证结果证实，我们的 FW-Net 在取得实时性能的同时优于最先进（state-of-the-art）技术。
引用
@article{arxiv.2006.09117,
title = {End-to-End Real-time Catheter Segmentation with Optical Flow-Guided Warping during Endovascular Intervention},
author = {Anh Nguyen and Dennis Kundrat and Giulio Dagnino and Wenqiang Chi and Mohamed E. M. K. Abdelaziz and Yao Guo and YingLiang Ma and Trevor M. Y. Kwok and Celia Riga and Guang-Zhong Yang},
journal= {arXiv preprint arXiv:2006.09117},
year = {2020}
}
备注
ICRA 2020