RealSynCol: 用于三维重建应用的高保真合成结肠数据集
计算机视觉与模式识别
2026-02-10 v1
摘要
深度学习有潜力通过实现结肠的三维重建来改善结肠镜检查，提供黏膜表面和病变的全面视图，并有助于识别未探索区域。然而，由于缺乏大规模的真实标注数据，鲁棒方法的开发受到限制。我们提出了RealSynCol，一个高度逼真的合成数据集，旨在模拟内窥镜环境。从10次CT扫描中提取的结肠几何结构被导入一个紧密模拟术中条件的虚拟环境，并渲染出逼真的血管纹理。生成的数据集包含28,130帧，并配有真实深度图、光流、三维网格和相机轨迹。我们进行了一项基准研究，以评估现有合成结肠数据集在深度和姿态估计任务上的表现。结果表明，RealSynCol的高真实感和多样性显著提升了在临床图像上的泛化性能，证明它是开发支持内窥镜诊断的深度学习算法的有力工具。
引用
@article{arxiv.2602.08397,
title = {RealSynCol: a high-fidelity synthetic colon dataset for 3D reconstruction applications},
author = {Chiara Lena and Davide Milesi and Alessandro Casella and Luca Carlini and Joseph C. Norton and James Martin and Bruno Scaglioni and Keith L. Obstein and Roberto De Sire and Marco Spadaccini and Cesare Hassan and Pietro Valdastri and Elena De Momi},
journal= {arXiv preprint arXiv:2602.08397},
year = {2026}
}