SENDD：用于组织跟踪的稀疏高效神经深度与形变估计
计算机视觉与模式识别
2023-09-27 v2
摘要
可形变跟踪与实时三维组织运动估计对于实现机器人辅助手术中的自动化与图像引导应用至关重要。我们的模型——稀疏高效神经深度与形变（SENDD）——将先前的二维跟踪工作扩展至估计三维空间中的流。SENDD引入了学习型检测、稀疏逐点深度与三维流估计等新贡献，且参数量不足五十万。SENDD通过利用稀疏关键点匹配的图神经网络来估计任意位置的深度与三维流，从而实现上述功能。我们在一个全面标注的组织数据集上对SENDD进行了量化与基准测试，并将其与等效的二维流模型进行比较。SENDD表现相当，同时实现了二维流无法支持的应用。SENDD可在NVIDIA RTX 4000上以10fps跟踪1280个（查询）点并估计深度，且其计算代价随点数的增减呈线性变化。SENDD支持立体内镜中需要三维运动估计的多种下游应用。
引用
@article{arxiv.2305.06477,
title = {SENDD: Sparse Efficient Neural Depth and Deformation for Tissue Tracking},
author = {Adam Schmidt and Omid Mohareri and Simon DiMaio and Septimiu E. Salcudean},
journal= {arXiv preprint arXiv:2305.06477},
year = {2023}
}
备注
12 pages, 4 figures. Accepted by MICCAI 2023