[논문 리뷰] Quantitative Evaluation of Endoscopic SLAM Methods: EndoSLAM Dataset.

Kutsev Bengisu Ozyoruk, Kağan İncetan외 12명|arXiv (Cornell University)|2020. 06. 30.

Robotics and Sensor-Based Localization참고 문헌 33인용 수 3

한 줄 요약

이 논문은 외과적 돼지 위장관계를 이용한 내시경 SLAM을 위한 종합적인 벤치마크인 EndoSLAM 데이터셋을 소개한다. 로봇 및 고정밀 3차원 스캐닝을 통해 캡슐 내시경과 표준 내시경의 데이터를 촬영하였다. 이는 딥러닝 기반 SLAM 방법의 정량적 평가를 가능하게 하며, proof of concept로 SC-SfMLearner가 벤치마크로 평가되었고, 공개된 데이터와 코드를 제공한다.

ABSTRACT

Deep learning techniques hold promise to improve dense topography reconstruction and pose estimation, as well as simultaneous localization and mapping (SLAM). However, currently available datasets do not support effective quantitative benchmarking. With this paper, we introduce a comprehensive endoscopic SLAM dataset containing both capsule and standard endoscopy recordings. A Panda robotic arm, two different commercially available high precision 3D scanners, two different commercially available capsule endoscopes with different camera properties and two different conventional endoscopy cameras were employed to collect data from eight ex-vivo porcine gastrointestinal (GI)-tract organs. In total, 35 sub-datasets are provided: 18 sub-datasets for colon, 12 sub-datasets for stomach and five sub-datasets for small intestine, while four of these contain polyp-mimicking elevations carried out by an expert gastroenterologist. To exemplify the use-case, SC-SfMLearner was comprehensively benchmarked. The codes and the link for the dataset are publicly available at this https URL. A video demonstrating the experimental setup and procedure is available at this https URL.

연구 동기 및 목표

• 내시경 SLAM 방법의 종합적이고 공개 가능한 데이터셋 부족 문제를 해결한다.
• 다양하고 고정밀한 데이터셋을 제공하여 다양한 위장관계 영역에서 캡슐 및 표준 내시경을 촬영한다.
• 내시경 환경에서 딥러닝 기반 SLAM 기법의 엄격한 평가를 가능하게 한다.
• 내시경에서 정밀한 밀도 높은 지형 재구성 및 자세 추정 개발과 검증을 지원한다.
• 공개된 데이터, 코드, 실험 영상을 통해 재현 가능한 연구를 촉진한다.

제안 방법

• 외과적 돼지 위장관계에서 데이터 수집 시 정밀한 내시경 위치 조절을 위해 Panda 로봇 암을 활용하였다.
• 정량적 평가를 위해 고정밀 3차원 스캐너 두 대를 사용하여 기준 표면 재구성을 생성하였다.
• 다양한 광학 및 센서 특성을 지닌 두 종류의 캡슐 내시경을 사용하여 데이터를 촬영하였다.
• 다양한 영상 모달리티를 확보하기 위해 두 대의 다른 일반 내시경 카메라로 데이터를 기록하였다.
• 대장(18개), 위(12개), 소장(5개)에서 총 35개의 서브-데이터셋을 확보하였으며, 이 중 4개는 전문 위장내과의사가 만든 종양 유사 돌기 구조를 포함하였다.
• 성능 평가의 유용성을 입증하기 위해 SC-SfMLearner 방법을 데이터셋에서 벤치마크로 평가하였다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 SLAM 방법은 외과적 위장관계에서 내시경 영상으로부터 고밀도 지형 재구성을 얼마나 잘 수행할 수 있는가?
• RQ2 다양한 내시경 영상 모달리티를 사용할 경우 자세 추정 및 표면 재구성의 정확도는 어떠한가?
• RQ3 카메라 성능의 차이(예: 캡슐 내시경 대비 표준 내시경)는 SLAM 성능에 어떤 영향을 미치는가?
• RQ4 종양 유사 돌기의 존재는 SLAM 정확도와 내구성에 어느 정도의 영향을 미치는가?
• RQ5 제안된 데이터셋은 내시경 SLAM 알고리즘에 대해 신뢰할 수 있고 재현 가능하며 정량적인 벤치마킹을 지원할 수 있는가?

주요 결과

• EndoSLAM 데이터셋은 대장, 위, 소장에서 총 35개의 서브-데이터셋을 제공하여 내시경 SLAM 방법의 종합적 평가를 가능하게 한다.
• 캡슐 내시경과 표준 내시경 데이터의 포함으로 다양한 영상 모달리티 간 비교 분석이 가능해졌다.
• 고정밀 스캐너로부터 확보한 기준 3차원 재구성은 지형 및 자세 추정 정확도의 정량적 평가를 가능하게 한다.
• 전문 위장내과의사가 만든 종양 유사 돌기 4개의 서브-데이터셋이 포함되어 있어 병변 탐지 및 SLAM의 내구성 테스트가 가능하다.
• SC-SfMLearner는 데이터셋에서 성공적으로 벤치마크로 평가되었으며, 향후 방법 평가의 기준으로서의 타당성을 입증하였다.
• 데이터셋, 코드, 실험 영상가 모두 공개되어 있어 재현 가능성과 공동 연구를 위한 벤치마킹을 지원한다.