Feb, 2020

EndoL2H：胶囊内窥镜深度超分辨率

PDF
TL;DR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。
wireless capsule endoscopyenhanced-resolution endoscopymapping from low-to-high resolution endoscopic imagesspatial attention blockendol2h
发现论文，激发创造
  • 利用循环一致性的对抗训练进行内窥镜无监督超分辨率

    本研究提出了一个基于对抗深度神经网络的无监督超分辨率（SR）框架，旨在提高内窥镜图像的质量以进行诊断和介入指导。该框架可以利用高分辨率（HR）图像将其质量传递到起始低分辨率（LR）图像中，从而能够在没有配对 LR / HR 的情况下产生令人信服的超分辨率图像。

    Jan, 2019

  • 一种混合卷积神经网络与元特征学习的膳食胶囊内窥镜图像异常检测方法

    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

  • 基于学习的超分辨率框架在美国信号中的应用

    提出了一种基于深度学习的超分辨率超声图像和视频增强方法，通过训练模型和大量医学图像数据进行定制化的超分辨率处理，实现了对不同解剖区域的低分辨率超声图像和视频的有效提高，并且兼顾了训练网络的运算速度和硬件资源消耗。

    Apr, 2023

  • 使用视差约束并行注意力的立体内窥镜图像超分辨率

    本文提出了基于深度神经网络框架加入视差限制机制的 DCSSRnet 算法，用于提高立体图像对的空间分辨率，实验结果表明该算法在定量和定性评估上优于目前的 SR 方法。

    Mar, 2020

  • SHISRCNet: 低分辨率乳腺癌组织学图像的超分辨率和分类网络

    本文介绍了一种新的基于超分辨率和多尺度特征提取的单张组织病理学图像分类网络（SHISRCNet），该网络可以更精确地诊断以低分辨率图像为输入的乳腺癌，具有较高的诊断准确度。

    Jun, 2023

  • 学习适应基础模型 DINOv2 以应用于胶囊内窥镜诊断

    我们介绍了一种名为低秩适应（LoRA）技术的简化方法，用于将基础模型进行自定义，通过将低秩适应学习应用于胶囊内窥镜诊断，取得了令人印象深刻的结果。

    Jun, 2024

  • 采用带类别感知损失的知识蒸馏进行内窥镜疾病检测

    本文提出了一个利用深度学习来改善诊断失误率的框架，针对胃肠道癌症的诊断，利用端到端的师生学习方式，采用多类别学生网络来利用训练过的师范模型的类别概率，从而提高困难检测病变的定位并最小化漏检率，模型在两个数据集上都实现了更高的 mAP，并且具有泛化性。

    Jul, 2022

  • 单目内窥镜深度估计的几何感知深度神经网络

    本文提出了一种在内窥镜术中进行单目深度估计的方法，该方法利用几何一致性损失和梯度损失来提高重建效果，并使用合成的 RGB-Depth 数据集来捕捉解剖结构上的反射和照明变化，实验结果表明该方法在实现视频 - CT 配准算法的精度要求时，具有优于现有方法的表现。

    Apr, 2023

  • 利用深度学习增强微 CT 图像分辨率和恢复纹理

    本文介绍了一种基于深度学习的数字岩石超分辨率成像技术，利用增强深度超分辨率生成对抗网络（EDSRGAN）对数字岩石进行超分辨率成像，实现了高分辨率图像的重建，特别是对于具有微孔特征的岩石样本，对进一步分析具有重要意义。

    Jul, 2019

  • 通过设计兼容的内窥镜图像释放深度和姿态估计神经网络的能力

    通过分析内窥镜图像的特性，改进了图像和神经网络之间的兼容性，并在深度学习模型中引入了部分图像信息恢复全局信息的方法，以及提出了轻量级神经网络来增强内窥镜图像的能力，从而提高了内窥镜导航的准确性和稳定性。

    Sep, 2023