Opis projektu
Rozszerzona rzeczywistość i autonomiczna nawigacja wkrótce mogą zostać wykorzystane w endoskopii
Mapowanie istotnych obszarów ma duże znaczenie dla interakcji ze środowiskiem i posiada szeroki wachlarz zastosowań – od tworzenia map satelitarnych lodowców po funkcjonalne mapy wykorzystywane w urządzeniach GPS. Ponadto pojazdy autonomiczne zbierają dane obrazowe, a następnie dopasowują je do istniejących map, które muszą być stale aktualizowane i rozszerzane. W ramach projektu EndoMapper powstaje podobny system mapowania, który znajdzie zastosowania w zabiegach endoskopowych, takich jak kolonoskopia, biopsja guza czy nawet ukierunkowane podawanie leków. Chcąc osiągnąć sukces, naukowcy muszą rozwiązać kwestię zmienności charakteryzującą modelowanie. W przeciwieństwie do dróg, tkanki i narządy znajdujące się w ciele mogą ulegać zmianie podczas badania endoskopem. Wykorzystując nowe, elastyczne modele matematyczne i uczenie maszynowe, naukowcy mogą wprowadzić endoskopię w świat rozszerzonej rzeczywistości wirtualnej i autonomicznej nawigacji.
Cel
Endoscopes traversing body cavities such as the colon are routine in medical practice. However, they lack any autonomy. An endoscope operating autonomously inside a living body would require, in real-time, the cartography of the regions where it is navigating, and its localization within the map. The goal of EndoMapper is to develop the fundamentals for real-time localization and mapping inside the human body, using only the video stream supplied by a standard monocular endoscope.
In the short term, will bring to endoscopy live augmented reality, for example, to show to the surgeon the exact location of a tumour that was detected in a tomography, or to provide navigation instructions to reach the exact location where to perform a biopsy. In the longer term, deformable intracorporeal mapping and localization will become the basis for novel medical procedures that could include robotized autonomous interaction with the live tissue in minimally invasive surgery or automated drug delivery with millimetre accuracy.
Our objective is to research the fundamentals of non-rigid geometry methods to achieve, for the first time, mapping from GI endoscopies. We will combine three approaches to minimize the risk. Firstly, we will build a fully handcrafted EndoMapper approach based on existing state-of-the-art rigid pipelines. Overcoming the non-rigidity challenge will be achieved by the new non-rigid mathematical models for perspective cameras and tubular topology. Secondly, we will explore how to improve using machine learning. We propose to work on new deep learning models to compute matches along endoscopy sequences to feed them to a VSLAM algorithm where the non-rigid geometry is still hard-coded. We finally plan to attempt a more radical end-to-end deep learning approach, that incorporates the mathematical models for non-rigid geometry as part of the training of data-driven learning algorithms.
Dziedzina nauki
- natural sciencesearth and related environmental sciencesphysical geographycartography
- natural sciencesmathematicspure mathematicstopology
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
- natural sciencesmathematicspure mathematicsgeometry
- natural sciencescomputer and information sciencessoftwaresoftware applicationssimulation software
- natural sciencesmathematicsapplied mathematicsmathematical model
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSzczegółowe działanie
H2020-FETOPEN-2018-2019-2020-01
System finansowania
RIA - Research and Innovation actionKoordynator
50009 Zaragoza
Hiszpania