Wireless Capsule Endoscopy (WCE) 采用一种无创痛苦的方法被高度重视，尽管硬件限制和复杂的内部动态导致了不均匀的照明，从而导致过曝或欠曝图像。我们引入了 EndoUIC，一种使用端到端可提示的扩散变换器（DFT）模型的 WCE 统一照明校正解决方案，以解决这个问题。我们的工作中，照明提示模块将导航模型以适应不同的曝光水平并执行有针对性的图像增强，在其中自适应提示集成（API）和全局提示扫描器（GPS）模块将进一步增强提示参数和特征之间的并行表示学习。此外，U 形恢复 DFT 模型将捕捉统一照明恢复的长程依赖和上下文信息。此外，我们提供了一个新颖的胶囊内镜暴露校正（CEC）数据集，包括由专业摄影师注释的地面真实图像和损坏图像对。对四个数据集上的各种先进方法进行的大量实验证明了我们提出的方法和组件在 WCE 照明恢复中的有效性，额外的下游实验进一步展示了其在临床诊断和手术辅助中的实用性。

Jun, 2024

本文首次提出了一种图像增强方法，旨在增强无线胶囊内镜图像中小肠绒毛的清晰度。该方法首先使用引导滤波对小肠绒毛图像进行低频和高频部分的分离。随后，根据低频部分生成自适应光增益因子，并从不同区域的小肠绒毛图像的 Laplacian 算子的卷积结果中得到自适应梯度增益因子。然后，将得到的光增益因子和梯度增益因子结合，增强高频部分。最后，将增强的高频部分与原始图像融合，实现对 WCE 小肠绒毛图像边缘的自适应锐化。实验证明，与已建立的 WCE 图像增强方法相比，我们的方法不仅突出了 WCE 小肠绒毛图像的边缘细节，而且巧妙地抑制了噪声放大，从而防止了边缘过冲的发生。

Feb, 2024

本文提出了一种基于多尺度卷积神经网络和反向扩散过程的无线胶囊内窥镜低光图像增强框架，并将其与十种现有 LLIE 方法进行比较，表明该模型具有明显的性能优势和临床潜力。

Jul, 2023

通过利用扩散模型（DM）生成多样化的胶囊内窥镜（WCE）图像，我们的研究采用视觉检查和视觉图灵测试评估方法，证明了该方法在生成逼真且多样化的 WCE 图像方面的有效性。

Nov, 2023

通过解决微小病变和背景干扰等挑战，以及利用放大增强器生成放大后的 WCE 图像从而学习鲁棒表示，我们提出了一种用于 WCE 图像分类的去耦合监督对比学习方法。训练一个线性分类器来使用这些表示，在仅 10 个 epoch 内取得了惊人的 92.01％的整体准确率，超过了前一最先进方法 0.72％，基于两个公开可访问的 WCE 数据集。

Jan, 2024

提出一种基于混合卷积神经网络的异常检测算法，通过三个并行的卷积神经网络提取多种特征，在 KID 和 Kvasir-Capsule 数据集上的测试结果表明，该算法的分类精度高达 97% 和 98%。

Jul, 2022

使用几何分析和纹理内容的二元分类器进行结肠胶囊内镜图像诊断，结果表明算法在具有 47% 的每帧敏感度和 90% 特异度的情况下，对肿瘤的诊断表现良好。

May, 2013

本研究提出并定量验证了从低分辨率到高分辨率内窥镜图像的映射的新框架，并结合条件对抗网络和空间注意力块将分辨率提高了 8 倍至 12 倍，该方法被 30 名胃肠病专家定性评估并确认具有临床重要性，其具有潜力提高诊断精度并更好地利用计算方法进行息肉检测和表征。

Feb, 2020

我们提出了一种新的方法，使用内窥镜图像中的镜面反射作为线索，从单张图像中重建观察到的组织表面的法向量和曲率，该方法在模拟和真实干预图像上展现了结果。

Nov, 2023

我们的研究旨在通过将人工智能全面整合到结肠胶囊内窥镜的路径中，自动进行图像处理步骤，并自主地检测、定位和表征重要发现，从而消除结肠胶囊内窥镜在临床实践中与光学结肠镜之间的差距。

Jun, 2024