囊内镜图像恢复和细分的双泛化低光增强框架
IEEE transactions on medical imaging
|November 25, 2025
概括
本研究引入了一种双泛化框架,以改善低光无线囊内镜 (WCE) 图像分析. 该方法提高了图像恢复和细分精度,以更好地诊断胃肠道 (GI) 疾病.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 胃肠病学 胃肠病学
背景情况:
- 深度学习有助于通过无线囊内镜 (WCE) 诊断胃肠道 (GI) 疾病.
- WCE 图像通常在低光下受损,细节变化,影响诊断准确度.
- 现有的方法在WCE图像中与不同的亮度和细节水平作斗争.
研究的目的:
- 开发一个双泛化框架来增强低光WCE图像.
- 为了提高WCE分析的图像恢复和细分精度.
- 为了在不同的图像亮度和细节级别上实现可靠的诊断.
主要方法:
- 提出了一种双泛化框架,包括图像引导和拉普拉斯融合模块 (IGLFM),亮度水平泛化模块 (BLGM) 和波段细分泛化模块 (WSGM).
- IGLFM和BLGM专注于恢复不同亮度级别的低光图像.
- 通过将不同的图像细节水平概括起来,WSGM提高了细分的准确性.
主要成果:
- 该框架在图像恢复方面取得了显著的性能增长 (例如,Kvasir-Capsule上的4.70dBPSNR).
- 证明了细分精度的提高,WSGM在RLE数据集上提高了mIoU高达4.7%.
- 在处理不同亮度和细节水平方面,超越了最先进的方法.
结论:
- 拟议的双泛化框架有效地解决了低光降解和WCE图像的细节变化.
- 该方法提高了图像质量和细分精度,这对于准确的胃肠道疾病诊断至关重要.
- 这种方法为WCE图像的自动分析提供了显著的进步.
