ToDER：面向结肠镜深度估计与重建的几何约束适应方法
计算机视觉与模式识别
2024-07-24 v1
摘要
Visualizing colonoscopy 是医学辅助诊断的关键，用于防止未观察区域的不明发现。传统的基于特征和基于深度的重建方法通常会因错误的点匹配或深度估计不准确而导致不可取的结果。现代的基于深度的方法通常需要大量的 ground truth samples，而在光学结肠镜中这些样本通常难以获得。为此，已探索 self-supervised 和 domain adaptation 方法。然而，这些方法忽略了几何约束，在预测详细深度方面表现较差。我们因此提出了一个具备双向适应架构的 novel reconstruction pipeline，命名为 ToDER 以获得精确的深度估计。此外，我们仔细设计了 TNet 模块于我们的适应架构中，以 yield geometry constraints 并获得更好的深度质量。最终估计的深度用于重建可靠的结肠模型进行可视化。实验结果表明，我们的方法在预测 realistic 和 synthetic colonoscopy 视频中的深度图方面优于其他 self-supervised 和 domain adaptation 方法。我们的方法在 realistic colonoscopy 上也显示出在可视化未观察区域和防止误诊方面的巨大潜力。
引用
@article{arxiv.2407.16508,
title = {ToDER: Towards Colonoscopy Depth Estimation and Reconstruction with Geometry Constraint Adaptation},
author = {Zhenhua Wu and Yanlin Jin and Liangdong Qiu and Xiaoguang Han and Xiang Wan and Guanbin Li},
journal= {arXiv preprint arXiv:2407.16508},
year = {2024}
}