基于三维卷积神经网络从 OCT 体数据估计作用力
计算机视觉与模式识别
2018-04-27 v1
摘要
\textit{目的} 估计器械与组织的交互力备受关注，特别是在机器人辅助微创介入中提供触觉反馈时。基于外部和集成力传感器的不同方法已被提出。这些方法受限于摩擦、传感器尺寸和可灭菌性。我们研究一种直接从光学相干断层扫描图像体数据估计力向量的新方法。\textit{方法} 我们引入一种新颖的孪生三维 CNN 架构。该网络以未变形参考体数据和变形样本体数据作为输入，输出力向量的三个分量。我们采用带瓶颈结构的深度残差架构以提高效率。我们将孪生方法与使用差分体数据和二维投影的方法进行比较。数据通过机器人装置生成，以获得硅组织体模以及猪组织的真值力向量。\textit{结果} 我们的方法在估计力向量时达到 7.7 ± 4.3 mN 的平均平均误差。我们新颖的孪生三维 CNN 架构优于单路径方法，后者达到 11.59 ± 6.7 mN 的平均平均误差。此外，与使用仅表面信息（达到 24.38 ± 22.0 mN 平均平均误差）相比，使用体数据显著提高了性能。基于组织数据集，我们的方法在不同个体间表现出良好的泛化能力。\textit{结论} 我们提出一种使用光学相干断层扫描的基于图像的力估计新方法。我们说明捕获 subsurface 结构的形变可大幅改善力估计。我们的方法在术中使用光学相干断层扫描时可在手术装置中提供准确的力估计。
引用
@article{arxiv.1804.10002,
title = {Force Estimation from OCT Volumes using 3D CNNs},
author = {Nils Gessert and Jens Beringhoff and Christoph Otte and Alexander Schlaefer},
journal= {arXiv preprint arXiv:1804.10002},
year = {2018}
}
备注
Published in the International Journal of Computer Assisted Radiology and Surgery