Cálculo de flujo óptico denso en colonoscopia mediante aprendizaje no supervisado

Abstract

[Resumen] La colonoscopia es la técnica de referencia en la detección del cáncer colorrectal. Sin embargo, los métodos asistidos por ordenador no se usan mucho en estos procedimientos. Este trabajo se enmarca dentro del proyecto EndoMapper, que tiene como objetivo crear reconstrucciones del colon que puedan ser utilizadas para ayudar a los médicos o para llevar a cabo cirugía robotizada. La asociación de datos es un elemento clave en estos sistemas, realizando la asociación entre píxeles de la imagen para permitir posteriores reconstrucciones 3D. En este trabajo, evaluamos un método de estimación de flujo óptico denso sobre imágenes de colonoscopia, adaptándolo al dominio del colon mediante aprendizaje no supervisado. Diseñamos un conjunto de datos para training, validation y test a partir de las secuencias reales de colonoscopia del conjunto de datos de Endomapper. El modelo se ha re-entrenado obteniendo una versión adaptada al dominio del colon. La validación experimental muestra cómo el modelo entrenado puede estimar el flujo de manera robusta bajo cambios de iluminación. También muestra una capacidad excepcional para estimar el flujo entre imágenes de colonoscopia muy separadas con grandes rotaciones.

[Abstract] Colonoscopy is the gold standard in colorectal cancer screening. However, computer-assisted interventional methods are not widely used in these procedures. The Endomapper project, in which this work is embedded, aims to create reconstructions of the colon that can be used to assist doctors or for robotic surgery. Data association is a key element in these systems, performing the association between image pixels to enable subsequent 3D reconstructions. In this work, we evaluated a dense optical flow method on colonoscopy images, adapting it to the colon domain by using unsupervised learning. We built a dataset for training, validation and test from the real colonoscopy sequences of the Endomapper dataset. The model has been re-trained obtaining a version adapted to the colon domain. Experimental validation shows how the trained model is able to estimate flow robustly under illumination changes. It also shows an exceptional ability to estimate flow between widely separated colonoscopy images with large rotations.