EndoOmni：通过噪声标签的强鲁棒自学习实现内窥镜的零样本跨数据集深度估计
原文中文，约1900字，阅读约需5分钟。
📝
内容提要
本研究提出了EndoOmni，用于内窥镜零样本跨域深度估计的基础模型。通过改进的自学习框架，结合深度标签和信心估计，提高了医疗成像的相对深度估计准确性，相对误差减少了41%。
🔎
延伸解读
零样本跨域深度估计的意义
内窥镜深度估计模型常受限于训练数据与真实临床场景的域差异，导致在新数据集上性能下降。EndoOmni作为首个零样本跨域基础模型，无需目标域标注即可实现深度估计，这有望降低对昂贵医学标注的依赖，并提升模型在不同医院、不同设备间的泛化能力。
自学习框架与噪声标签处理
医学数据标注质量参差不齐，噪声标签会损害模型性能。EndoOmni通过改进的自学习框架，结合深度标签和信心估计，使模型能够识别并降低低质量标签的影响。这种设计在标注稀缺且噪声普遍的内窥镜场景中，为稳健训练提供了可行路径。
性能提升与临床潜力
实验显示，EndoOmni将绝对相对误差降低了41%，表明其在相对深度估计准确性上优于现有方法。准确的深度信息对于内窥镜下的定位、三维重建和增强现实等任务至关重要，因此该模型有望推动这些临床应用的发展，但实际部署仍需进一步验证。
❓
Q&A
EndoOmni是什么？
EndoOmni是首个用于内窥镜零样本跨域深度估计的基础模型。
EndoOmni如何提高深度估计的准确性？
通过改进的自学习框架，结合深度标签和信心估计，EndoOmni显著提高了医疗成像的相对深度估计准确性。
EndoOmni的实验结果如何？
实验结果表明，EndoOmni与现有方法相比，绝对相对误差减少了41%。
EndoOmni解决了哪些问题？
EndoOmni解决了医学数据稀缺和标注质量低下的问题，提升了内窥镜单幅图像深度估计的准确性。
EndoOmni的自学习框架有什么改进？
EndoOmni的自学习框架经过改进，结合了深度标签和信心估计，以提高深度估计的准确性。
EndoOmni对医疗成像的影响是什么？
EndoOmni显著提高了医疗成像的相对深度估计准确性，具有重要的临床应用潜力。
🏷️
