RealSynCol: 3D 再構築アプリケーション用の高忠実度合成大腸データセット

arXiv:2602.08397v1 発表タイプ：新規 要旨：深層学習は、大腸の 3D 再構築を可能にすることで、大腸の粘膜表面や病変の包括的なビューを提供し、未調査領域の特定を容易にし、胃鏡検査の向上に潜在的な能力を持っている。しかし、頑健な手法の開発は、大規模な真の値データの不足に制限されている。私たちは、内視鏡環境を複製することを目的とした、非常にリアリストックな合成データセット RealSynCol を提案する。10 つの CT スキャンから抽出された大腸の幾何学形状は、内術的条件を忠実にシミュレートする仮想環境にインポートされ、リアリストックな血管テクスチャでレンダリングされた。その結果生成されたデータセットは、28,130 フレームを備え、真の値の奥深さマップ、光の流、3D メッシュ、およびカメラ軌跡とのペアリングを含んでいる。利用可能な合成大腸データセットを奥深さと姿勢推定タスクのために評価するベンチマーク研究が実施された。結果は、RealSynCol の高いリアリズムと多様性が、臨床画像に対する汎化性能を顯著に向上させることを示し、これは深層学習アルゴリズムを開発する強力なツールであることを証明した。

arXiv:2602.08397v1 Announce Type: new Abstract: Deep learning has the potential to improve colonoscopy by enabling 3D reconstruction of the colon, providing a comprehensive view of mucosal surfaces and lesions, and facilitating the identification of unexplored areas. However, the development of robust methods is limited by the scarcity of large-scale ground truth data. We propose RealSynCol, a highly realistic synthetic dataset designed to replicate the endoscopic environment. Colon geometries extracted from 10 CT scans were imported into a virtual environment that closely mimics intraoperative conditions and rendered with realistic vascular textures. The resulting dataset comprises 28\,130 frames, paired with ground truth depth maps, optical flow, 3D meshes, and camera trajectories. A benchmark study was conducted to evaluate the available synthetic colon datasets for the tasks of depth and pose estimation. Results demonstrate that the high realism and variability of RealSynCol significantly enhance generalization performance on clinical images, proving it to be a powerful tool for developing deep learning algorithms to support endoscopic diagnosis.