Volltext-Downloads (blau) und Frontdoor-Views (grau)
  • search hit 3 of 10
Back to Result List

Segmentierung und Tracking von minimal-invasiven robotergeführten Instrumenten

  • Die Segmentierung und das Tracking von minimal-invasiven robotergeführten Instrumenten ist ein wesentlicher Bestandteil für verschiedene computer assistierte Eingriffe. Allerdings treten in der minimal-invasiven Chirurgie, die das Anwendungsfeld für den hier beschriebenen Ansatz darstellt, häufig Schwierigkeiten durch Reflexionen, Schatten oder visuelle Verdeckungen durch Rauch und Organe auf und erschweren die Segmentierung und das Tracking der Instrumente. Dieser Beitrag stellt einen Deep Learning Ansatz für ein markerloses Tracking von minimal-invasiven Instrumenten vor und wird sowohl auf simulierten als auch realen Daten getestet. Es wird ein simulierter als auch realer Datensatz mit Ground Truth Kennzeichnung für die binäre Segmentierung von Instrument und Hintergrund erstellt. Für den simulierten Datensatz werden Bilder aus einem simulierten Instrument und realem Hintergrund zusammengesetzt. Im Falle des realen Datensatzes spricht man von der Zusammensetzung der Bilder aus einem realen Instrument und Hintergrund. Insgesamt wird auf den simulierten Daten eine Pixelgenauigkeit von 94.70 Prozent und auf den realen Daten eine Pixelgenauigkeit von 87.30 Prozent erreicht.

Download full text files

Export metadata

Additional Services

Search Google Scholar

Statistics

frontdoor_oas
Metadaten
Author of HS ReutlingenHanisch, Simone; Burgert, Oliver; Curio, Cristóbal
URN:urn:nbn:de:bsz:rt2-opus4-21664
URL:https://www.curac.org/images/advportfoliopro/images/CURAC2018/CURAC%202018%20Tagungsband.pdf
ISBN:978-3-00-060786-8
Erschienen in:CURAC 2018 - Tagungsband : 17. Jahrestagung der Deutschen Gesellschaft für Computer- und Roboterassistierte Chirurgie e.V., 13.-15. September 2018, Leipzig
Publisher:Deutsche Gesellschaft für Computer- und Roboterassistierte Chirurgie e.V.
Place of publication:Stuttgart
Editor:Thomas Neumuth
Document Type:Conference proceeding
Language:German
Publication year:2018
Tag:minimally invasive; neural network; segmentation; tracking
Page Number:6
First Page:80
Last Page:85
DDC classes:610 Medizin, Gesundheit
Open access?:Ja
Licence (German):License Logo  Open Access