Visión general automatizada de las endoscopias completas con descriptores aprendidos sin supervisión

Área de la Ciencia:

• Imágenes médicas
• Patología computacional
• Análisis de vídeo endoscópico

Sus antecedentes:

• Los procedimientos de endoscopia generan extensos datos de video, lo que plantea desafíos para la revisión manual.
• El análisis eficiente de los vídeos endoscópicos es crucial para la toma de decisiones clínicas y la investigación.

Objetivo del estudio:

• Automatizar el análisis inicial de los videos completos de endoscopia, identificando el contenido relevante.
• Para reducir el tiempo de revisión de los médicos y facilitar tareas posteriores como el resumen de video y la reconstrucción en 3D.

Principales métodos:

• Extraer las representaciones endoscópicas del cuadro de vídeo utilizando un modelo de incrustación aprendido.
• Descriptores de agrupación para identificar patrones visuales y tipos de escenas clave (por ejemplo, cirugía, visibilidad clara).
• La segmentación de los videos en partes informativas y no informativas.

Principales resultados:

• Demostró un buen rendimiento en la identificación de segmentos quirúrgicos y condiciones de visibilidad variables en videos de colonoscopia.
• Generó vistas generales estructuradas que separan los segmentos útiles de los irrelevantes.
• Adecuación ilustrada como preprocesamiento para la reconstrucción 3D y la síntesis de vídeo.

Conclusiones:

• La generación automatizada de la visión general de la endoscopia ayuda a los médicos a centrarse en el contenido relevante, como las secciones de buena visibilidad y las acciones quirúrgicas.
• Facilita una revisión más rápida de la grabación y un preprocesamiento de vídeo eficaz para las tareas posteriores.