卷积神经网络在结肠息肉语义分割中的不确定性和可解释性

Jul, 2018

卷积神经网络在结肠息肉语义分割中的不确定性和可解释性

Uncertainty and Interpretability in Convolutional Neural Networks for Semantic Segmentation of Colorectal Polyps

Kristoffer Wickstrøm, Michael Kampffmeyer, Robert Jenssen

TL;DR本文着重于探讨在医学图像分析领域中，基于卷积神经网络的语义分割算法的不确定性评估和模型可解释性问题，并提出了一种高效的分割算法，准确率最高可达 76.06%。

Abstract

convolutional neural networks (CNNs) are propelling advances in a range of different computer vision tasks such as object detection and object segmentation. Their success has motivated research in applications of

convolutional neural networks computer vision medical image analysis uncertainty estimation semantic segmentation

发现论文，激发创造

使用全卷积网络进行结肠镜图像中息肉分割

本文提出了一种基于卷积神经网络的息肉分割方法，通过训练时的图像块选择和测试时的有效后处理，相较于先前的结肠镜视频分割方法更具准确性。

Feb, 2018

使用 U-Net 和膨胀卷积进行结肠息肉分割

本文提出了一种用于结肠镜检查中结肠息肉图像分割的深度学习框架，该框架具有编码器和解码器，通过引入扩张卷积和简化的解码器来实现优化特征表示能力以及减少参数数量，在 CVC-ClinicDB 和 ETIS-Larib Polyp DB 上取得了最新研究成果。

Dec, 2019

结肠息肉分割中不确定区域的语义适应

通过使用新颖的 ADSNet 架构，本论文针对结肠镜图像中存在的肿瘤形状、颜色、条件以及与周围环境相似的问题，改进了肿瘤分割性能，提高了肿瘤图像分割任务的实验结果。

May, 2024

深度医学图像分割的置信度校准与预测不确定性估计

本文研究了医学图像分割中全卷积神经网络的预测不确定性估计，包括使用 Dice 损失和交叉熵损失进行的分割质量和不确定性估计比较，基于批归一化和 Dice 损失的网络置信度校准及模型集成方法，以及有关医学图像分割的结构分割质量预测和检测等方面的研究。通过广泛的实验验证了这些内容，提出了用于置信度校准的实用方案，并表明模型集成可提高其置信度校准度。

Nov, 2019

基于视觉触觉感知与置信校准神经网络的可靠结肠癌息肉分类

本研究提出了一种置信度校准的残差神经网络用于结直肠癌息肉分类，该模型采用了新颖的基于视觉的触觉传感系统和独特的结直肠癌息肉幻影，并通过温度缩放后处理方法解决过于自信的输出问题。通过引入噪声和模糊处理检验模型可靠性，结果显示模型有效地处理了非理想输入。

Apr, 2023

结肠镜图像内腔场景分割基准

介绍一个用于结肠镜图像分析的新基准，通过使用决策支持系统在不同阶段提供内腔场景分割，基于全卷积神经网络的训练，在不进行后处理的情况下，在内腔场景分割方面优于以往结果。

Dec, 2016

NeoUNet: 针对结肠息肉分割和新生物检测的准确性

本文提出了基于 UNet 架构的 NeouNet 模型以及混合损失函数，针对息肉分割问题提出了一种细粒度的解决方案，旨在高精度地识别高恶性风险的息肉。实验证明，与现有息肉分割模型相比，NeouNet 在基准数据集上取得了竞争力的结果。

Jul, 2021

一项基于计算机视觉挑战的深度学习息肉检测和分割方法通用性评估

本研究使用机器学习技术对多中心和多人群结肠镜图像中出现的息肉进行检测和分割，并分析了表现最好的团队的结果，发现准确性高于即时性能，并提出了需要提高模型泛化性来应对多中心数据集中的多样性的观点。

Feb, 2022

使用 DUCK-Net 进行息肉图像分割

我们提出了一种新型的监督卷积神经网络架构 “DUCK-Net”，能够从少量的医学图像中有效学习和概括，以执行准确的分割任务。我们的模型利用编码器 - 解码器结构、残差下采样机制和自定义卷积块，以在编码器段的多个分辨率上捕获和处理图像信息。我们采用数据增强技术丰富训练集，从而提高模型性能。虽然我们的架构多用途，并适用于各种分割任务，但在这项研究中，我们特别展示了其在结肠镜图像的息肉分割方面的能力。我们在几个流行的息肉分割基准数据集 Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB 和 ETIS-LARIBPOLYPDB 上评估了方法的性能，结果表明在 Dice 系数均值、Jaccard 指数、精确度、召回率和准确度等方面取得了最先进的结果。我们的方法展示了强大的泛化能力，即使在有限的训练数据下也能实现出色的性能。代码已公开在 GitHub 上：this https URL

Nov, 2023

DDANet：自动息肉分割的双解码注意力网络

本文提出了一种基于双解码器注意力网络的新型架构 DDANet，通过在 Kvasir-SEG 数据集上训练并在一个未见数据集上测试，达到了 0.7874 的 Dice 系数，0.7010 的 mIoU、0.7987 的召回率和 0.8577 的精度，证明了模型的泛化能力。

Dec, 2020