Un método de localización basado en aprendizaje profundo de 6 grados de libertad para robots de cápsula endoscópica

Presentamos un sistema de localización robusto basado en aprendizaje profundo de 6 grados de libertad (DoF) para robots de cápsula endoscópica. Nuestro sistema se centra principalmente en la localización de robots de cápsula endoscópica dentro del tracto gastrointestinal utilizando únicamente información visual capturada por una cámara mono integrada en el robot. El sistema propuesto es una red neuronal convolucional profunda (CNN) de 23 capas que es capaz de estimar la pose del robot en tiempo real utilizando una CPU estándar. El conjunto de datos para la evaluación del sistema se grabó dentro de un modelo de estómago humano quirúrgico con texturas superficiales realistas, suavidad y propiedades de líquidos en la superficie, de modo que la arquitectura de la CNN preentrenada se pueda transferir de manera confiable a un escenario endoscópico real. Se ha obtenido un error promedio del 7.1 % y del 3.4 % para la traducción y rotación, respectivamente. Los resultados obtenidos de los experimentos demuestran que una CNN preentrenada con imágenes endoscópicas en 2D crudas funciona con precisión dentro del tracto gastrointestinal y es robusta ante diversos desafíos planteados por distorsiones de reflexión, imperfecciones ópticas, viñeteado, ruido, desenfoque de movimiento, baja resolución y falta de hitos únicos para seguir.