[论文解读] Quantitative Evaluation of Endoscopic SLAM Methods: EndoSLAM Dataset.

Kutsev Bengisu Ozyoruk, Kağan İncetan+12 more|arXiv (Cornell University)|Jun 30, 2020

Robotics and Sensor-Based Localization参考文献 33被引用 3

一句话总结

本文介绍了EndoSLAM数据集，这是一个使用离体猪只胃肠道组织的内镜SLAM综合基准，通过机械臂和高精度3D扫描技术捕获胶囊内镜与常规内镜的数据。该数据集支持基于深度学习的SLAM方法的定量评估，以SC-SfMLearner作为概念验证进行基准测试，并公开提供数据与代码。

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.

研究动机与目标

• 解决当前缺乏全面、公开可用的数据集以支持内镜SLAM方法的定量基准测试的问题。
• 提供多样化、高精度的数据集，涵盖胃肠道多个区域的胶囊内镜与常规内镜成像。
• 支持在内镜环境中对基于深度学习的SLAM技术进行严格评估。
• 支持在内镜中实现精确的稠密地形重建与位姿估计的开发与验证。
• 通过公开发布数据、代码和实验视频，促进可复现的研究。

提出的方法

• 使用Panda机械臂精确控制内镜在离体猪只胃肠道组织上的定位，以进行数据采集。
• 采用两种高精度3D扫描仪生成用于定量评估的地面真实表面重建结果。
• 使用两种光学与传感器特性不同的胶囊内镜采集数据。
• 使用两种不同类型的常规内镜摄像机记录数据，以确保成像模态的多样性。
• 在结肠（18个）、胃（12个）和小肠（5个）中获取了35个子数据集，其中包含四个带有息肉模拟隆起的子数据集。
• 在数据集上对SC-SfMLearner方法进行基准测试，以证明其在性能评估中的实用性。

实验结果

研究问题

• RQ1 基于深度学习的SLAM方法在离体胃肠道组织中，从内镜视频重建稠密地形的性能如何？
• RQ2 在使用多种内镜成像模态时，位姿估计与表面重建的准确性如何？
• RQ3 相机特性差异（如胶囊内镜与常规内镜）对SLAM性能有何影响？
• RQ4 息肉模拟隆起的存在在多大程度上影响SLAM的准确性与鲁棒性？
• RQ5 所提出的数据集能否支持内镜SLAM算法的可靠、可复现且定量的基准测试？

主要发现

• EndoSLAM数据集包含35个子数据集，覆盖结肠、胃和小肠，支持对内镜SLAM方法的全面评估。
• 同时包含胶囊内镜与常规内镜数据，支持不同成像模态之间的对比分析。
• 由高精度扫描仪生成的地面真实3D重建结果，支持对地形与位姿估计准确性的定量评估。
• 数据集中包含四个带有息肉模拟隆起的子数据集，由胃肠病专家创建，用于测试病变检测与SLAM鲁棒性。
• SC-SfMLearner在数据集上成功完成基准测试，证明其可作为未来方法评估的基线。
• 数据集、代码与实验视频均已公开，支持可复现性与社区范围的基准测试。