論文の概要: A Surface-normal Based Neural Framework for Colonoscopy Reconstruction
- arxiv url: http://arxiv.org/abs/2303.07264v1
- Date: Mon, 13 Mar 2023 16:44:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 13:55:29.035257
- Title: A Surface-normal Based Neural Framework for Colonoscopy Reconstruction
- Title(参考訳): 大腸内視鏡再建のための表面正規性ニューラルフレームワーク
- Authors: Shuxian Wang, Yubo Zhang, Sarah K. McGill, Julian G. Rosenman,
Jan-Michael Frahm, Soumyadip Sengupta, Stephen M. Pizer
- Abstract要約: 内視鏡画像から3次元表面を再構成することは、映像フレームの照明と反射率の変化により困難である。
大腸内視鏡再建の精度を大幅に向上させる2段階の神経フレームワークを開発した。
- 参考スコア(独自算出の注目度): 24.467879991609095
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstructing a 3D surface from colonoscopy video is challenging due to
illumination and reflectivity variation in the video frame that can cause
defective shape predictions. Aiming to overcome this challenge, we utilize the
characteristics of surface normal vectors and develop a two-step neural
framework that significantly improves the colonoscopy reconstruction quality.
The normal-based depth initialization network trained with self-supervised
normal consistency loss provides depth map initialization to the normal-depth
refinement module, which utilizes the relationship between illumination and
surface normals to refine the frame-wise normal and depth predictions
recursively. Our framework's depth accuracy performance on phantom colonoscopy
data demonstrates the value of exploiting the surface normals in colonoscopy
reconstruction, especially on en face views. Due to its low depth error, the
prediction result from our framework will require limited post-processing to be
clinically applicable for real-time colonoscopy reconstruction.
- Abstract(参考訳): 大腸内視鏡映像からの3次元表面の再構成は,映像フレームの照明と反射率の変動により困難であり,形状予測に支障が生じた。
この課題を克服すべく,表面正常ベクターの特性を活用し,大腸内視鏡の再現性を大幅に向上させる2段階の神経枠組みを構築した。
自己教師付き正規整合損失で訓練された正規ベース深度初期化ネットワークは、照明と表面の正常の関係を利用してフレームワイドの正常度と深度予測を再帰的に洗練する正規深度精製モジュールに深度マップ初期化を提供する。
ファントム大腸内視鏡データにおける深達度精度の指標として,特にen face viewを用いた大腸内視鏡再建における表面正常値の活用の有用性が示唆された。
低深度誤差のため,本フレームワークから得られた予測結果は,リアルタイム大腸内視鏡再建に臨床応用するために限られた後処理が必要である。
関連論文リスト
- Endo-4DGS: Endoscopic Monocular Scene Reconstruction with 4D Gaussian
Splatting [12.951997168433895]
動的シーン再構築は、下流の作業を大幅に強化し、手術結果を改善することができる。
NeRFベースの手法は、最近、シーンを再構築する異常な能力で有名になった。
本研究では,リアルタイムな内視鏡的動的再構成手法であるEndo-4DGSを提案する。
論文 参考訳(メタデータ) (2024-01-29T18:55:29Z) - Multi-task learning with cross-task consistency for improved depth
estimation in colonoscopy [0.2995885872626565]
我々は、共有エンコーダと2つのデコーダ、すなわち表面正規デコーダと深度推定器を備えた新しいマルチタスク学習(MTL)アプローチを開発する。
比較誤差は14.17%、$delta_1$精度は10.4%改善した。
論文 参考訳(メタデータ) (2023-11-30T16:13:17Z) - Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid
Representation and Normal Prior Enhancement [53.10080345190996]
多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。
近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。
本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
論文 参考訳(メタデータ) (2023-09-14T12:05:29Z) - Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape
Reconstruction from Point Clouds [53.02191521770926]
我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。
nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。
全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
論文 参考訳(メタデータ) (2023-08-03T13:56:07Z) - Deep learning-based image exposure enhancement as a pre-processing for
an accurate 3D colon surface reconstruction [1.0499611180329804]
このコントリビューションは、画像前処理が深層学習に基づく大腸部分の3D再構成を改善する方法を示している。
地球規模の照明補正ではなく、局所的な被曝と過剰露光を大腸内視鏡で補正する必要があると仮定されている。
論文 参考訳(メタデータ) (2023-04-06T15:52:36Z) - Making Reconstruction-based Method Great Again for Video Anomaly
Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。
既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。
連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文 参考訳(メタデータ) (2023-01-28T01:57:57Z) - NeuRIS: Neural Reconstruction of Indoor Scenes Using Normal Priors [84.66706400428303]
室内シーンを高品質に再現する新手法NeuRISを提案する。
NeuRISは、ニューラルネットワークのフレームワークにおいて、室内シーンの推定正規性を前者として統合している。
実験により、NeuRISは再建品質の点で最先端の手法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2022-06-27T19:22:03Z) - C$^3$Fusion: Consistent Contrastive Colon Fusion, Towards Deep SLAM in
Colonoscopy [0.0]
光内視鏡(OC)による3D大腸再建による非検査面の検出は未解決の問題である。
近年の手法では,(1)フレーム・ツー・フレーム(あるいはフレーム・ツー・モデル)の予測が多くのトラッキング障害を引き起こし,(2)スキャン品質を犠牲にしてポイントベース表現に頼っている。
本稿では,これらの課題を終末まで解決し,定量的かつ定性的かつ堅牢な3次元大腸再建を実現するための新しい再構築フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-04T10:38:19Z) - MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface
Reconstruction [72.05649682685197]
最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。
これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。
近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
論文 参考訳(メタデータ) (2022-06-01T17:58:15Z) - ColDE: A Depth Estimation Framework for Colonoscopy Reconstruction [27.793186578742088]
本研究では,大腸内視鏡データの特別な課題に対処するために,一連のトレーニング損失を設計した。
ColDEという名前の自己監督型フレームワークは、十分なトレーニング損失を伴って、大腸内視鏡データのより詳細なマップを生成することができる。
論文 参考訳(メタデータ) (2021-11-19T04:44:27Z) - NeuS: Learning Neural Implicit Surfaces by Volume Rendering for
Multi-view Reconstruction [88.02850205432763]
物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。
DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。
本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。
マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
論文 参考訳(メタデータ) (2021-06-20T12:59:42Z)
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。