Background: In laparoscopic surgery, image quality can be severely degraded by surgical smoke caused by the use of tissue dissection tools that reduce the visibility of the observed organs and tissues.
Objective: Improve visibility in laparoscopic surgery by combining image processing techniques based on classical methods and artificial intelligence.
Method: Development of a hybrid approach to eliminating the effects of surgical smoke, based on the combination of the dark channel prior (DCP) method and a pixel-to-pixel neural network architecture known as a generative adversarial network (GAN).
Results: Experimental results have shown that the proposed method achieves better performance than individual DCP and GAN results in terms of restoration quality, obtaining (according to PSNR and SSIM index metrics) better results than some related state-of-the-art methods.
Conclusions: The proposed approach decreases the risks and time of laparoscopic surgery because once the network is trained, the system can improve real-time visibility.
Antecedentes: Durante la cirugía laparoscópica, la calidad de la imagen puede verse gravemente degradada por el humo quirúrgico causado por el uso de herramientas de disección de tejidos que reducen la visibilidad de los órganos y tejidos.
Objetivo: Mejorar la visibilidad en cirugía laparoscópica mediante la combinación de técnicas de procesamiento de imágenes basadas en técnicas clásicas e inteligencia artificial.
Método: Desarrollo de un enfoque híbrido para la eliminación de los efectos del humo quirúrgico, basado en la combinación del método del principio del canal oscuro (DCP, dark channel prior) y una arquitectura de red neuronal píxel a píxel conocida como red antagónica generativa (GAN, generative adversial network).
Resultados: Los resultados experimentales han demostrado que el método propuesto logra un mejor rendimiento que los resultados individuales de DCP y GAN en cuanto a calidad de la restauración, obteniendo (según las métricas de la proporción máxima de señal a ruido [PSNR, Peak Signal-to-Noise Ratio] y el índice de similitud estructural [SSIM, Structural Similarity Index]) mejores resultados que otros métodos relacionados.
Conclusiones: El enfoque propuesto disminuye los riesgos y el tiempo de la cirugía laparoscópica, ya que una vez que la red está correctamente entrenada, el sistema puede mejorar la visibilidad en tiempo real.
Keywords: Eliminación de humo; Generative adversarial network; Haze removal; Image processing; Laparoscopia; Laparoscopy; Mejoramiento de imágenes; Procesamiento de imágenes; Red antagónica generative.
Copyright: © 2022 Permanyer.