論文の概要: Deep learning with 4D spatio-temporal data representations for OCT-based force estimation

• arxiv url: http://arxiv.org/abs/2005.10033v1
• Date: Wed, 20 May 2020 13:30:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 06:07:02.065824
• Title: Deep learning with 4D spatio-temporal data representations for OCT-based force estimation
• Title（参考訳）: octに基づく力推定のための4次元時空間データ表現を用いた深層学習
• Authors: Nils Gessert, Marcel Bengs, Matthias Schl\"uter, and Alexander Schlaefer
• Abstract要約: 深層学習に基づく力推定の問題を,3D OCTボリュームのストリームを用いた4次元体積時間データに拡張する。 平均絶対誤差は10.7mNで, 4Dterm-temporalデータを用いた場合, 従来使用されていたデータ表現よりも優れていた。
• 参考スコア（独自算出の注目度）: 59.405210617831656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating the forces acting between instruments and tissue is a challenging problem for robot-assisted minimally-invasive surgery. Recently, numerous vision-based methods have been proposed to replace electro-mechanical approaches. Moreover, optical coherence tomography (OCT) and deep learning have been used for estimating forces based on deformation observed in volumetric image data. The method demonstrated the advantage of deep learning with 3D volumetric data over 2D depth images for force estimation. In this work, we extend the problem of deep learning-based force estimation to 4D spatio-temporal data with streams of 3D OCT volumes. For this purpose, we design and evaluate several methods extending spatio-temporal deep learning to 4D which is largely unexplored so far. Furthermore, we provide an in-depth analysis of multi-dimensional image data representations for force estimation, comparing our 4D approach to previous, lower-dimensional methods. Also, we analyze the effect of temporal information and we study the prediction of short-term future force values, which could facilitate safety features. For our 4D force estimation architectures, we find that efficient decoupling of spatial and temporal processing is advantageous. We show that using 4D spatio-temporal data outperforms all previously used data representations with a mean absolute error of 10.7mN. We find that temporal information is valuable for force estimation and we demonstrate the feasibility of force prediction.
• Abstract（参考訳）: 機械と組織の間に作用する力の推定は、ロボット支援による最小侵襲手術において難しい課題である。 近年,電気機械的なアプローチを代替する視覚に基づく手法が数多く提案されている。 さらに,光コヒーレンストモグラフィ(OCT)と深層学習を用いて,体積画像データに観測された変形に基づく力の推定を行った。 この手法は,3次元ボリュームデータを用いた2次元奥行き画像を用いた深層学習の利点を実証した。 本研究では,深層学習に基づく力推定の問題を,3D OCTボリュームのストリームを用いた4次元時空間データに拡張する。 本研究では,時空間的深層学習を4次元に拡張する手法をいくつか設計し,評価する。 さらに、力推定のための多次元画像データ表現の奥行き解析を行い、4次元のアプローチを従来の低次元の手法と比較した。 また, 時間情報の影響を分析し, 安全性特性を向上できる短期的未来力値の予測について検討した。 4次元力推定アーキテクチャでは、空間的および時間的処理の効率的な分離が有利である。 4次元時空間データを用いることで,従来使用していたデータ表現を10.7mnの平均絶対誤差で上回ることがわかった。 時間情報は力の推定に有用であり, 力予測の可能性を示す。

関連論文リスト

• Iterative Occlusion-Aware Light Field Depth Estimation using 4D Geometrical Cues [0.0]
  本稿では,光深度推定のための4次元幾何学的手がかりを明確に理解し,活用することに焦点を当てる。 4次元モデルでは、4次元空間における鍵2次元平面の交点の向きを決定し、解析することで深度/分散度推定を行う。 実験の結果,提案手法は,学習に基づく手法と非学習に基づく手法の両方に優れていた。
  論文  参考訳（メタデータ） (2024-03-04T13:47:49Z)
• H4D: Human 4D Modeling by Learning Neural Compositional Representation [75.34798886466311]
  この研究は、動的人間に対するコンパクトで構成的な表現を効果的に学習できる新しい枠組みを提示する。 単純で効果的な線形運動モデルを提案し, 粗く規則化された動き推定を行う。 本手法は, 高精度な動作と詳細な形状を持つ動的ヒトの回復に有効であるだけでなく, 様々な4次元人間関連タスクにも有効であることを示す。
  論文  参考訳（メタデータ） (2022-03-02T17:10:49Z)
• Magnifying Subtle Facial Motions for Effective 4D Expression Recognition [56.806738404887824]
  3D面の流れをまず解析し、空間的な変形を捉えます。 これらの変形の得られた時間的進化は、拡大法に供給される。 本論文の主な貢献である後者では、感情分類性能を高める微妙な(隠れた)変形を明らかにすることができる。
  論文  参考訳（メタデータ） (2021-05-05T20:47:43Z)
• 3D Scattering Tomography by Deep Learning with Architecture Tailored to Cloud Fields [12.139158398361866]
  本論文では,マルチビュー画像から散乱体積を3次元再構成する計算トモグラフィ用ディープニューラルネットワークである3DeepCTを提案する。 また, 3DeepCTは, 計算時間の大幅な改善とともに, 物理に基づく逆散乱法よりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2020-12-10T20:31:44Z)
• 4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
  3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。 我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
  論文  参考訳（メタデータ） (2020-07-02T12:02:20Z)
• A Deep Learning Approach for Motion Forecasting Using 4D OCT Data [69.62333053044712]
  我々は,OCTボリュームのストリームを用いたエンド・ツー・エンド動作予測と推定のための4次元時間深度学習を提案する。 提案手法は,全体の平均相関97.41%の動作予測を実現するとともに,従来の3D手法と比較して2.5倍の動作推定性能を向上する。
  論文  参考訳（メタデータ） (2020-04-21T15:59:53Z)
• Spatio-Temporal Deep Learning Methods for Motion Estimation Using 4D OCT Image Data [63.73263986460191]
  特定の対象領域の局所化と運動の推定は、外科的介入の際のナビゲーションの一般的な問題である。 OCT画像ボリュームの時間的ストリームを用いることで、深層学習に基づく動き推定性能が向上するかどうかを検討する。 モデル入力に4D情報を使用すると、合理的な推論時間を維持しながら性能が向上する。
  論文  参考訳（メタデータ） (2020-04-21T15:43:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。