一、DREAMING2024介绍
虽然增强现实 (AR) 在医学领域得到了广泛研究,但它仅代表了改变真实环境的一种可能性。其他形式的介导现实 (MR) 在医学领域很大程度上仍未得到探索。缩小现实(DR)就是这样一种模式。DR是指通过用背景虚拟替换真实对象来从环境中移除真实对象。与AR 相结合,可以创建强大的MR环境。尽管DR引起了更广泛的计算机视觉和图形社区的兴趣,但尚未在医学中广泛采用。然而,DR在医疗应用中具有巨大的潜力。例如,当空间和术中视野受到限制,并且外科医生对患者的视野被破坏性医疗器械或人员进一步遮挡时,DR方法可以为外科医生提供手术部位的无障碍视野。最近,深度学习的进步为实时应用铺平了道路,无需事先了解当前场景即可提供令人印象深刻的成像质量。具体来说,深度修复方法是 DR 最有前途的方向。
通过修复实现缩小现实在医学中的新兴应用 (DREAMING) 挑战赛旨在率先将缩小现实 (DR) 融入口腔颌面外科。虽然增强现实 (AR) 在医学领域已得到广泛探索,但DR在很大程度上仍然是未知领域。DR 涉及通过用背景替换真实对象来从环境中虚拟地移除它们。最近的修复方法为无需场景知识的实时灾难恢复应用提供了机会。DREAMING专注于实施此类方法,以真实背景填充手术场景中的模糊区域,强调复杂的面部解剖结构和患者的多样性。
DREAMING挑战提供了一个以人类为特色的合成且逼真的手术场景数据集,模拟手术室环境。任务是开发算法,无缝消除医疗器械和手造成的干扰,为外科医生提供手术部位的畅通无阻的视野。
二、DREAMING2024任务
DREAMING 挑战的任务是在口腔颌面外科中实施基于修复的DR方法,使用合理的背景填充被破坏性物体隐藏的感兴趣区域,例如患者的面部及其周围环境。
三、DREAMING2024数据集
由于面部区域对于医学DR来说特别有趣,因为其复杂的解剖结构以及年龄、性别和种族的多样性。因此提供了一个数据集,其中包含合成但逼真的手术场景,重点关注患者面部,并有医疗器械和握住器械的手的遮挡。这些场景是通过在模拟手术室 (OR) 环境中渲染高度逼真的人体和 3D 扫描医疗器械而生成的。
DREAMING 训练数据集包含100个不同的手术场景,其中包含独特的患者、周围环境以及动态移动和静态手术器械以及握住它们的手的障碍物。此外还提供了定义每个图像要修复的区域的蒙版。
数据集下载链接:
https://zenodo.org/doi/10.5281/zenodo.10471364
评价指标:一致性/合理性(学习感知图像块相似度 (LPIPS)和弗雷歇起始距离 (FID))、相对于真实的准确性(PSNR和MAE)和运行时间。
四、技术路线
1、分析图像可以看到color图像和gt图像具有空间位置一一对应的关系,所以采用Pixel2PixelGAN网络的生成器将color图像生成gt图像,然后再通过判别器来判断gt图像和生成color图像。
2、由于图像是灰度图像所以对color和gt图像都进行0-1范围归一化处理。将数据划分成训练集和验证集。
3、搭建Pixel2PixelGAN网络,生成器和判别器都使用Adam优化器,学习率是0.0002,batchsize是24,epoch是100,损失函数是采用对抗损失MSE和重构损失L1。
4、训练和验证结果
5、测试集部分修复结果
平均psnr:27.46,平均ssim:0.953