体内腹腔镜图像去烟雾数据集、评估及更多应用

《IEEE Transactions on Medical Imaging》：In Vivo Laparoscopic Image De-Smoking Dataset, Evaluation, and Beyond

针对现有手术烟雾去除算法依赖合成数据的问题，本研究构建了首个真实 paired 数据集，包含2000+1000图像对，通过运动跟踪技术解决术中动态干扰，并评估了传统模型的局限性，提出暗通道先验的应用潜力。

　　

摘要：

在腹腔镜手术中，开发有效的烟雾去除算法一直受到缺乏包含真实烟雾和无烟雾手术场景的配对数据集的阻碍。因此，现有的去烟方法主要基于合成数据集和非参考图像增强指标，这些方法无法完全捕捉体内手术场景的复杂性。为了解决这一问题，我们通过识别烟雾出现的相对静态视频序列，从腹腔镜手术记录中创建了一个新的配对数据集。我们的方法包括一种强大的运动跟踪技术，可以补偿患者的不自主运动，确保烟雾图像与其对应的无烟雾真实图像之间的可靠匹配。从132段腹腔镜前列腺切除术记录中，我们筛选出了41个视频序列，形成了包含2000对烟雾与无烟雾图像的数据集；从45段胆囊切除术记录中，我们提取了68个视频序列，形成了另一个包含1000对图像的数据集。利用这个独特的数据集，我们评估了当前常用的去烟方法的有效性，并指出了它们的局限性。此外，我们还重新审视了常用的环境散射模型、环境颜色假设以及暗通道先验。分析表明，传统的带有“灰色烟雾”假设的环境散射模型在绿色和蓝色通道中引入了显著的残差误差，而暗通道先验与烟雾强度保持了强相关性。这些观察结果表明，尽管暗通道先验在直接分离烟雾方面效果不佳，但它有可能作为基于深度学习的去烟方法中的有用注意力图。

引言

腹腔镜手术通过显著缩短恢复时间和降低感染风险，彻底改变了患者护理方式。然而，在使用电凝器或激光工具时，会产生烟雾，遮挡外科医生的视野，这增加了手术错误的风险并延长了手术时间，从而影响了手术效率和患者安全[1]。虽然已经开发了Laparoshield?和ClearFlow烟雾抽排系统等硬件解决方案，但它们需要重复的手动操作，这既耗时又容易分散外科医生的注意力[2]。作为一种更简洁、自动化的解决方案，数字图像处理技术应运而生，可以实时去除烟雾，提供无障碍的手术视野。这些去烟方法有望提高腹腔镜手术中外科医生的可见性和操作精度[3]。