Benchmarking Robustness of Endoscopic Depth Estimation with Synthetically Corrupted Data

要約

正確な奥行き認識は内視鏡手術における患者の転帰にとって極めて重要ですが、手術現場では一般的な画像の歪みによって損なわれます。
この問題に取り組むために、私たちの研究では、内視鏡深度推定モデルの堅牢性を評価するためのベンチマークを提示します。
私たちは、さまざまな重大度レベルで合成的に引き起こされたさまざまな破損を組み込んだ、現実世界の状況を反映する包括的なデータセットを編集しました。
この取り組みをさらに進めるために、誤差、精度、堅牢性の尺度を組み合わせて外科アプリケーションの多面的な要件を満たす新しい指標である深度推定ロバストネス スコア (DERS) を導入します。
この指標はパフォーマンスを評価するための基礎的な要素として機能し、深度推定技術の比較分析のための新しいパラダイムを確立します。
さらに、モデルの改良の進歩を促進することを目的として、内視鏡手術における深度推定の評価の堅牢性に焦点を当てたベンチマークを策定しました。
私たちのフレームワークを使用した 2 つの単眼深度推定モデルの徹底的な分析により、悪条件下での信頼性に関する重要な情報が明らかになります。
私たちの結果は、データ破損を許容できるアルゴリズムの本質的な必要性を強調しており、それによってモデルの堅牢性の向上に関する議論が前進します。
この研究の影響は理論的枠組みを超え、手術の精度と患者の安全性において具体的な向上をもたらします。
この研究は、深度推定の堅牢性のベンチマークを確立し、より回復力のある手術支援技術を開発するための基盤として機能します。
コードは https://github.com/lofrienger/EndoDepthBenchmark で入手できます。

要約(オリジナル)

Accurate depth perception is crucial for patient outcomes in endoscopic surgery, yet it is compromised by image distortions common in surgical settings. To tackle this issue, our study presents a benchmark for assessing the robustness of endoscopic depth estimation models. We have compiled a comprehensive dataset that reflects real-world conditions, incorporating a range of synthetically induced corruptions at varying severity levels. To further this effort, we introduce the Depth Estimation Robustness Score (DERS), a novel metric that combines measures of error, accuracy, and robustness to meet the multifaceted requirements of surgical applications. This metric acts as a foundational element for evaluating performance, establishing a new paradigm for the comparative analysis of depth estimation technologies. Additionally, we set forth a benchmark focused on robustness for the evaluation of depth estimation in endoscopic surgery, with the aim of driving progress in model refinement. A thorough analysis of two monocular depth estimation models using our framework reveals crucial information about their reliability under adverse conditions. Our results emphasize the essential need for algorithms that can tolerate data corruption, thereby advancing discussions on improving model robustness. The impact of this research transcends theoretical frameworks, providing concrete gains in surgical precision and patient safety. This study establishes a benchmark for the robustness of depth estimation and serves as a foundation for developing more resilient surgical support technologies. Code is available at https://github.com/lofrienger/EndoDepthBenchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google