論文の概要: Motion-based Camera Localization System in Colonoscopy Videos
- arxiv url: http://arxiv.org/abs/2012.01690v3
- Date: Thu, 11 Feb 2021 20:09:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 15:12:28.596504
- Title: Motion-based Camera Localization System in Colonoscopy Videos
- Title（参考訳）: 大腸内視鏡ビデオにおけるモーションベースカメラ定位システム
- Authors: Heming Yao, Ryan W. Stidham, Zijun Gao, Jonathan Gryak, Kayvan
Najarian
- Abstract要約: 本稿では,カメラの相対的な位置を推定し,大腸を解剖学的セグメントに分類するカメラローカライゼーションシステムを提案する。
実験の結果,提案手法の性能は他の手法よりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 7.800211144015489
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optical colonoscopy is an essential diagnostic and prognostic tool for many
gastrointestinal diseases, including cancer screening and staging, intestinal
bleeding, diarrhea, abdominal symptom evaluation, and inflammatory bowel
disease assessment. Automated assessment of colonoscopy is of interest
considering the subjectivity present in qualitative human interpretations of
colonoscopy findings. Localization of the camera is essential to interpreting
the meaning and context of findings for diseases evaluated by colonoscopy. In
this study, we propose a camera localization system to estimate the relative
location of the camera and classify the colon into anatomical segments. The
camera localization system begins with non-informative frame detection and
removal. Then a self-training end-to-end convolutional neural network is built
to estimate the camera motion, where several strategies are proposed to improve
its robustness and generalization on endoscopic videos. Using the estimated
camera motion a camera trajectory can be derived and a relative location index
calculated. Based on the estimated location index, anatomical colon segment
classification is performed by constructing a colon template. The proposed
motion estimation algorithm was evaluated on an external dataset containing the
ground truth for camera pose. The experimental results show that the
performance of the proposed method is superior to other published methods. The
relative location index estimation and anatomical region classification were
further validated using colonoscopy videos collected from routine clinical
practice. This validation yielded an average accuracy in classification of
0.754, which is substantially higher than the performances obtained using
location indices built from other methods.
- Abstract（参考訳）: 大腸内視鏡検査は,胃癌検診やステージング,小腸出血,下血,腹部症状評価,炎症性腸疾患評価など,多くの消化管疾患の診断・予後診断に必須のツールである。
大腸内視鏡所見の質的ヒト解釈における主観性を考慮した大腸内視鏡自動評価が重要である。
大腸内視鏡検査で診断された疾患の所見の意味と文脈を理解するにはカメラの局在が不可欠である。
本研究では,カメラの相対的な位置を推定し,大腸を解剖学的セグメントに分類するカメラローカライズシステムを提案する。
カメラのローカライゼーションシステムは、非形式的フレーム検出と除去から始まる。
次に、カメラの動きを推定するために、自己学習されたエンドツーエンド畳み込みニューラルネットワークを構築し、そのロバスト性と内視鏡ビデオの一般化を改善するためのいくつかの戦略を提案する。
推定カメラモーションを用いて、カメラ軌跡を導出し、相対的な位置指数を算出する。
推定位置指数に基づいて、大腸テンプレートを構築して解剖学的大腸セグメント分類を行う。
提案する動き推定アルゴリズムは,カメラポーズの基底真理を含む外部データセット上で評価した。
実験の結果,提案手法の性能は他の手法よりも優れていることがわかった。
臨床検査から採取した大腸内視鏡画像を用いて, 相対的位置指数推定と解剖学的領域分類を更に検証した。
この検証により、0.754の分類における平均精度が得られ、これは他の方法で構築された位置指標を用いた性能よりもかなり高い。
関連論文リスト
- A novel open-source ultrasound dataset with deep learning benchmarks for
spinal cord injury localization and anatomical segmentation [1.02101998415327]
ブタ脊髄の矢状切片からなる10,223モード(Bモード)画像の超音波データセットを提案する。
損傷部位をローカライズするために,いくつかの最先端オブジェクト検出アルゴリズムの性能指標をベンチマークした。
ヒトの超音波脊髄画像におけるセグメンテーションモデルのゼロショット一般化能力を評価する。
論文 参考訳（メタデータ） (2024-09-24T20:22:59Z) - ToDER: Towards Colonoscopy Depth Estimation and Reconstruction with Geometry Constraint Adaptation [67.22294293695255]
そこで本稿では,ToDERという双方向適応アーキテクチャを用いて,高精度な深度推定を行う新しいパイプラインを提案する。
以上の結果から,本手法は実写および合成大腸内視鏡ビデオの深度マップを精度良く予測できることが示唆された。
論文 参考訳（メタデータ） (2024-07-23T14:24:26Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Region-based Contrastive Pretraining for Medical Image Retrieval with
Anatomic Query [56.54255735943497]
医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR)
医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
論文 参考訳（メタデータ） (2023-05-09T16:46:33Z) - Live image-based neurosurgical guidance and roadmap generation using
unsupervised embedding [53.992124594124896]
本稿では,注釈付き脳外科ビデオの大規模なデータセットを活用するライブ画像のみのガイダンスを提案する。
生成されたロードマップは、トレーニングセットの手術で取られた一般的な解剖学的パスをエンコードする。
166例の腹腔鏡下腺摘出術を施行し,本法の有効性について検討した。
論文 参考訳（メタデータ） (2023-03-31T12:52:24Z) - A Temporal Learning Approach to Inpainting Endoscopic Specularities and
Its effect on Image Correspondence [13.25903945009516]
本稿では,時間的生成的対位ネットワーク(GAN)を用いて,隠蔽解剖学を特異性の下で描くことを提案する。
これは、胃内視鏡(Hyper-Kvasir)の生検データを用いて、完全に教師なしの方法で達成される。
また,3次元再構成とカメラモーション推定の基盤となるコンピュータビジョンタスクにおける本手法の有効性を評価する。
論文 参考訳（メタデータ） (2022-03-31T13:14:00Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Deep Learning-based Biological Anatomical Landmark Detection in
Colonoscopy Videos [21.384094148149003]
大腸内視鏡画像における生物学的な解剖学的ランドマークを検出するための,新しい深層学習に基づくアプローチを提案する。
平均検出精度は99.75%に達し、平均IoUは0.91であり、予測されるランドマーク周期と地上の真実との高い類似性を示している。
論文 参考訳（メタデータ） (2021-08-06T05:52:32Z) - NanoNet: Real-Time Polyp Segmentation in Video Capsule Endoscopy and
Colonoscopy [0.6125117548653111]
ビデオカプセル内視鏡と大腸内視鏡画像の分割のための新しいアーキテクチャであるNanoNetを提案する。
提案アーキテクチャはリアルタイム性能を実現し,他の複雑なアーキテクチャに比べて高いセグメンテーション精度を有する。
論文 参考訳（メタデータ） (2021-04-22T15:40:28Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - A deep learning-based framework for segmenting invisible clinical target
volumes with estimated uncertainties for post-operative prostate cancer
radiotherapy [0.6262579136517118]
前立腺癌に対する術後放射線療法では,前立腺癌は外科的に摘出されているため,照射すべき臨床標的体積(CTV)は腫瘍細胞の顕微鏡的拡散を含んでいる。
現在の臨床実践では、医師は近くの臓器や他の臨床情報との関係に基づいて、手動でCTVを分類する。
本稿では,まず周辺臓器を分割し,次にCTVとの関係を利用してCTVセグメンテーションを支援することによって,この問題を克服する深層学習モデルを提案する。
論文 参考訳（メタデータ） (2020-04-28T04:29:46Z)
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。