Nested ResNet：基于视觉的插入式伽马探头感知区域检测方法
图像与视频处理
2024-10-31 v1 计算机视觉与模式识别
摘要
目的：插入式伽马探头广泛用于机器人辅助微创手术（RAMIS）中的淋巴结检测。然而，这些设备仅提供信号强度的音频反馈，缺乏精确定位所需的视觉反馈。此前已有研究尝试利用腹腔镜图像预测感知区域位置，但预测精度不理想。基于深度学习的回归方法需要改进。方法：我们提出了一种三分支深度学习框架来预测探头的感知区域。具体而言，我们利用立体腹腔镜图像作为主分支的输入，并开发了Nested ResNet架构。该框架还通过迁移学习进行深度估计，并通过探头轴采样提供方向引导。各分支的组合特征提升了预测精度。结果：我们的方法在公开数据集上进行了评估，表现出优于先前方法的性能。特别是，我们的方法使二维平均误差降低了22.10%，三维平均误差降低了41.67%。此外，定性比较进一步证明了我们所提方法的精度提升。结论：通过广泛评估，我们的解决方案显著提升了感知区域预测的准确性和可靠性。这一进步使得在手术中使用插入式伽马探头时能够提供视觉反馈，为外科医生提供更精确、更可靠的定位。
引用
@article{arxiv.2410.23154,
title = {Nested ResNet: A Vision-Based Method for Detecting the Sensing Area of a Drop-in Gamma Probe},
author = {Songyu Xu and Yicheng Hu and Jionglong Su and Daniel Elson and Baoru Huang},
journal= {arXiv preprint arXiv:2410.23154},
year = {2024}
}