基于压缩感知的无线胶囊内镜视频图像分析与处理

Wireless Capsule Endoscopy (WCE) is a hot topic to diagnose the intestinal tract diseases with almost noninvasive, and it can easily reach the small intestine region, it is a new breakthrough in the field of bio-medical and gradually gained clinical recognition for its clinical detection effectiveness. About 30,000 images in a video are produced in each test for the small bowel, which take about one hour for the physician to review. The compressed Sensing theory broken Nyquist sampling theorem sampling problems, it can solve the video image data redundancy. In order to solve this challenging problem of reducing the burden of physicians, we propose a new idea for the wireless capsule endoscopy video image processing based on the compressed sensing theory. First, to ensure the acquired data get sufficient signal sparse representation and less sampling, we will explore one suitable sparse group and design a relative low complexity sparse decomposition algorithm. Second, we propose a certainty measurement matrix with the property of symmetric structure, uniform acquisition and equal weight and this will help to reduce the required memory and propose a fast effective reconstructed algorithm. Combined the total variation p-norm optimization method, we present a reweighted generalized total variation algorithm and then transfer the image reconstruction issue into an objective function optimization, the key purpose of this will reduce the complexity of the reconstruction algorithm, achieve the goal of sorting dynamic texture video data and lay a good foundation for the next generation of the capsule endoscope development and promotion, it has good practical value and social significance.

作为新兴的消化道检测技术，小肠胶囊内镜每次检查约产生三万幅图像，医生平均需一小时浏览视频。压缩感知理论突破了Nyquist采样定理的瓶颈问题，解决了视频图像数据冗余、医生阅片负担重的难题。本项目通过基于压缩感知理论的新思路来实现视频图像数据的分析与处理。首先，针对小肠视频图像数据量大的问题，探索适合该类视频图像的稀疏基，设计新的低复杂度的稀疏分解算法以确保处理后的数据足够稀疏；其次，针对稀疏数据，提出一种结构对称性好、采样均匀、测量值权重均等的确定性测量矩阵，来保证内存需求少、算法高效；再次，在后期重构算法上，将图像重建转化为目标泛函最优问题，提出广义全变分P范数重加权优化算法，快速实现视频图像的精确重构；最后，在前述工作基础上，提出基于压缩感知理论的病变分类识别算法，实现动态纹理视频数据的筛选分类。本项目为下一代胶囊内窥镜的研制和推广奠定良好的基础，具有很好的实用价值和社会意义。

项目背景为目前临床消化道检测小肠，无线胶囊内镜监测每次检查约产生三万幅图像，医生平均需一小时浏览视频。压缩感知理论突破了Nyquist采样定理的瓶颈问题，解决了视频图像数据冗余、医生阅片负担重的难题。主要研究内容分成四大主要部分，第一部分针对小肠视频图像数据量大的问题，探索适合该类视频图像的稀疏基，设计新的低复杂度的稀疏分解算法以确保处理后的数据足够稀疏；第二部分针对稀疏数据，提出一种结构对称性好、采样均匀、测量值权重均等的确定性测量矩阵，来保证内存需求少、算法高效；第三部分将图像重建转化为目标泛函最优问题，提出广义全变分p范数重加权优化算法，快速实现视频图像的精确重构；第四部分提出基于压缩感知理论的病变分类识别算法，实现动态纹理视频数据的筛选分类。..项目的重要结果分四个方面，第一针对无线胶囊内镜视频影像数据设计了一款低复杂度的分解算法，可以确保视频影像数据足够稀疏。第二针对测量矩阵的选取和设计将会直接影响到是否能够足够多的保留原始信息以及测量矩阵的数学结构以及测量值权重等方面考虑。第三基于p-范数重加权优化求解算法，设计了一种复杂度低、稳定性强且适合小肠胶囊内镜视频图像的重构算法，解决压缩感知不适合场景切换频繁和剧烈运动序列的问题。第四是根据不同病变类型的纹理和颜色特征，实现基于压缩感知理论的视频图像动态纹理视频数据的筛选分类。..项目关键数据研究中针对无线胶囊内镜视频图像数据展开研究，主要分析研究了目前压缩感知的三大热点问题：基于压缩感知且适合无线胶囊内镜图像的最佳稀疏基、确定性测量矩阵、图像的重构算法以及的病变分类识别算法。基于压缩感知的视频影像数据分析与处理技术使得高分辨率数据采集成为可能，得到了众多研究人员的关注，该技术可以推广到临床医学心电数据的实时在线分析、无线胶囊内镜视频影像、智能视频影像数据以及监控视频等等影像数据的分析与处理，具有很好的实际应用前景和社会意义。