Jun, 2019

基于条件对抗网络的异常结肠息肉图像合成技术以提高检测效能

PDF
TL;DR利用有限的肿瘤训练图像，本文利用条件性对抗网络 (CANs) 框架通过生成合成肿瘤图像来提高研究的精度。使用边缘过滤器和可变卷积，其结构基于编码部分的多个膨胀卷积。经过测试，生成的肿瘤图像既真实且能有效提高肿瘤检测的性能。
发现论文，激发创造
  • 面罩条件下使用潜在扩散生成胃肠息肉图像

    为了解决医学领域数据难以获取的问题，本文提出了一种有条件的扩散概率模型（DPM）框架来生成合成的肠道息肉图像以及合成数据在二进制图像分割模型训练中的应用。研究结果表明，合成数据可以有效地帮助提高模型准确性。

    Apr, 2023

  • 用于结直肠组织病理学图像数据增强的生成式图像转换技术

    使用循环一致生成对抗网络（CycleGANs）进行图像转换并生成人工合成结肠息肉图像，利用生成图像来增强数据集的训练效果，提高卷积神经网络（CNN）检测息肉的 AUC 值，该方法为解决组织病理学图像分类任务中数据不平衡问题提供了一种有效解决方案。

    Oct, 2019

  • 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

  • Y-Net：用于息肉检测的深度卷积神经网络

    为解决结直肠息肉在早期检测中发现率低、训练数据有限、多样性大等问题，本文提出使用 Y-Net 深度学习方法，提高了息肉检测的 F1 分数 7.3% 和召回率 13%。

    Jun, 2018

  • 结肠直肠癌预防的联合单侧合成异源图像转换与分割

    通过使用 3D 技术和生成对抗网络相结合产生逼真的合成图像，我们提出了 CUT-seg，将分割模型和生成模型相互训练以生成逼真图像并学习肠息肉分割。我们利用最新的单向翻译模型，因为它们使用的内存显著较少，可以在训练环节中添加分割模型。相较于其他内存密集型图像转换方法需要两阶段训练，CUT-seg 表现更好，计算成本更低，并且只需要一个真实图像和零个真实标注就能在五个真实肠息肉分割数据集上取得有希望的结果。作为本研究的一部分，我们发布了 Synth-Colon，一个完全合成的数据集，包括 20000 个逼真的结肠图像以及有关深度和 3D 几何的其他细节。

    Jul, 2023

  • 结直肠镜图像中的自动息肉分割

    使用扩张卷积模块和交叉注意力网络对结肠内镜图像中的息肉进行分割，并结合数据增强技术和全局平均池化的方法，在处理不规则息肉形状时实现了明显的改进。

    Apr, 2024

  • 使用合成数据的自监督和半监督息肉分割

    通过使用计算机视觉技术和合成数据，提出了一种用于结肠息肉分割的模型，该模型在自监督和半监督设置中达到了最先进的结果。

    Jul, 2023

  • 增强的 CenterNet 与对比学习的自动息肉检测

    通过使用增强中心点网络与对比学习 (ECC-PolypDet) 的两阶段训练和端到端推理框架，结合图像和边界框注释来训练通用模型，并基于推理得分对其进行微调，以获取一个最终鲁棒的模型，从而实现对结直肠癌早期诊断至关重要的息肉准确检测。

    Jan, 2024

  • 基于连续帧提取潜在特征拼接实现视频中准确实时的息肉检测

    该研究提出一种集成时间信息的有效特征级联方法，用于改善基于卷积神经网络的结构在视频直肠镜筛查中对息肉的自动检测，实验结果表明，该方法可提高自动检测的整体性能。

    Mar, 2023

  • 基于深度学习的合成窄频带成像增强结肠息肉检测

    提出一种基于 CycleGAN 的框架将常规白光成像 (WLI) 转换为合成窄带成像 (SNBI)，以在 NBI 不可用时改善 WLI 上的物体检测，实验证明该方法可以提高息肉检测准确性。

    Jan, 2024