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.