基于改进的无监督算法进行胃肠道图像拼接
Rui Yan1, Yu Jiang1, Chenhao Zhang1
1College of Information Engineering, Sichuan Agricultural University, Ya'an, China.
PloS one
|September 18, 2024
概括
这项研究引入了一种改进的无监督深度学习框架,用于拼接胃肠道图像,增强视野并减少内镜检测期间错过的检测. 该方法改善了图像质量指标,并解决了监督学习方法的局限性.
科学领域:
- 计算机视觉 计算机视觉
- 医疗成像医学成像
- 胃肠病学 胃肠病学
背景情况:
- 图像拼接对于从多个重叠视图中创建无的高分辨率图像至关重要.
- 传统方法面临着幽灵,接和视野有限的挑战,特别是在胃肠镜等医疗应用中.
- 通过扩大视野和减少错过的检测来改善胃肠镜对于准确的诊断至关重要.
研究的目的:
- 为了提高胃肠镜视野,减少错过检测率.
- 提出一个改进的无监督深度学习框架,用于胃肠道全景图像拼接.
- 为无监督深胃肠图像拼接建立一个基准数据集和培训框架.
主要方法:
- 开发了一种改进的深度框架,用于无监督的全景图像拼接.
- 实施了对单眼内镜图像进行偏差校正的预处理.
- 一个C2f模块被集成到图像重建网络中,以增强特征提取能力.
- 为了培训和评估,创建了一个新的数据集,GASE-Dataset.
主要成果:
- 在平均平方误差 (MSE),根平均平方误差 (RMSE),峰值信号对噪声比 (PSNR),结构相似度指数 (SSIM) 和RMSE_SW方面观察到显著改善.
- 图像拼接时间保持在可接受的范围内.
- 与传统的图像拼接技术相比,拟议的方法显示了更高的性能.
- 该方法解决了监督学习的局限性,包括数据稀缺性和概括问题.
结论:
- 开发的无监督深度学习框架有效地改善了胃肠道图像拼接.
- 这种方法提高了视野,减少了错过的检测,在胃肠道检查中提供了宝贵的帮助.
- 提出的技术克服了当前图像拼接方案中的关键挑战,为更全面的内镜评估铺平了道路.
