Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
EndoControlMag: Ampliación robusta del movimiento vascular endoscópico con restablecimiento periódico de referencia y control jerárquico de doble máscara con reconocimiento de tejido
Created by
Haebom
Autor
An Wang, Rulin Zhou, Mengya Xu, Yiru Ye, Longfei Gou, Yiting Chang, Hao Chen, Chwee Ming Lim, Jiankun Wang, Hongliang Ren
Describir
EndoControlMag es un marco de trabajo basado en Lagrange, sin necesidad de entrenamiento, para visualizar el movimiento sutil de los vasos sanguíneos durante la cirugía endoscópica. Utiliza una técnica de re-referencia periódica (PRR) y un marco de trabajo jerárquico de aumento con reconocimiento de tejido (HTM) para evitar la acumulación de errores en entornos quirúrgicos complejos y dinámicos. HTM rastrea el centro del vaso mediante un modelo de seguimiento visual preentrenado y ajusta el efecto de aumento de los tejidos circundantes mediante dos estrategias de suavizado adaptativo: basada en el movimiento y basada en la distancia. Los resultados experimentales con el conjunto de datos EndoVMM24 muestran que EndoControlMag supera a los métodos existentes en cuanto a precisión y calidad visual, y ofrece un rendimiento robusto en diversas condiciones quirúrgicas complejas. El código, el conjunto de datos y los resultados de vídeo se pueden encontrar en https://szupc.github.io/EndoControlMag/ .
Contribuye a mejorar la precisión quirúrgica y la toma de decisiones al permitir una visualización precisa y estable de los pequeños movimientos vasculares durante la cirugía endoscópica.
◦
Proporciona un marco eficiente que no requiere capacitación.
◦
Demuestra un rendimiento sólido en diversos entornos quirúrgicos (oclusión, interferencia de instrumentos, cambios en el campo de visión, deformación vascular, etc.).
◦
Apoyar la investigación de seguimiento realizada por otros investigadores a través de código abierto, conjuntos de datos y resultados.
•
Limitations:
◦
Dependencia del conjunto de datos EndoVMM24. Es necesario verificar el rendimiento de la generalización en varios conjuntos de datos.
◦
Se necesita una mayor validación de la estabilidad y confiabilidad a largo plazo en un entorno quirúrgico real.
◦
Se necesitan más investigaciones para determinar los parámetros óptimos para las estrategias de suavizado basadas en el ejercicio y la distancia.
