烟雾之前规范化外科领域除烟没有配对的体外数据
Congcong Wang1, Meng Zhao1, Chengguang Zhou1
1Engineering Research Center of Learning-Based Intelligent System, Ministry of Education, and School of Computer Science and Engineering, Tianjin University of Technology, Tianjin 300384, China.
Computers in biology and medicine
|December 1, 2023
概括
这项研究引入了一种新的两阶段深度学习框架,用于手术除烟,在没有配对的体外数据的情况下提高性能. 该方法在合成数据集上取得了卓越的结果,并在真实手术场景中证明了有效性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 进行手术除烟的深度学习方法是有效的,但需要配对烟雾和无烟图像,这在真实手术环境中很少.
- 需要使用外科除烟技术,这些技术在没有体内配对数据的情况下可以很好地概括.
研究的目的:
- 提出一种新的两阶段烟雾消除框架,克服对联体内数据的局限性.
- 开发一种具有良好的概括性能的方法,用于手术去除烟雾.
主要方法:
- 根据烟雾图像形成的物理模型,开发了一个烟雾之前规范化的两阶段框架.
- 第一个阶段使用重建损失,一致性损失和烟雾之前的规范化,用于对合成数据的监督训练.
- 第二阶段采用真实烟雾图像的自我监督培训,使用一致性和烟雾之前的损失.
主要成果:
- 拟议的方法在合成数据集上优于最先进的技术,平均PSNR为21.99±2.34,SSIM为0.9001±0.0252,RMSE为0.2151±0.0643.
- 在真实手术数据集上的定性视觉检查证实了该方法在实际场景中的有效性.
结论:
- 开发的两阶段框架有效地消除了手术烟雾.
- 该方法表现出强大的概括能力,即使没有配对的体外训练数据,也表现良好.
