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
本文提出了一个基于卷积胶囊网络的深度学习解决方案,能够对通过血红蛋白和欧辛染色的乳腺组织活检的四种图像类型进行分类,表现出非常高的准确性和敏感性。
Apr, 2018
通过利用扩散模型(DM)生成多样化的胶囊内窥镜(WCE)图像,我们的研究采用视觉检查和视觉图灵测试评估方法,证明了该方法在生成逼真且多样化的 WCE 图像方面的有效性。
Nov, 2023
本文探索基于胶囊神经网络的深度异常检测技术,开发了基于预测概率和重建误差的正常性评分函数来评估未见过图像的异常性,结果表明基于预测概率的方法表现出色,而基于重建误差的方法相对较敏感。
Jul, 2019
内窥镜在识别胃肠道的潜在异常方面起着重要作用。最近,深度学习,特别是卷积神经网络(CNNs),在胃肠道内窥镜图像分析方面报道了显著的优势。然而,现有的模型大多关注性能的提高,缺乏开发在资源有限环境中运行的轻量级模型的重点。我们通过三种基于知识蒸馏学习框架进行研究,并引入了一种新颖的基于多头注意力的特征融合机制来支持基于关系的学习。在两个广泛使用的公共数据集 KVASIR-V2 和 Hyper-KVASIR 上进行了广泛的评估,实验结果表明了我们提出的基于关系的框架在实现资源有限环境中运行的改进轻量级模型(仅有 51.8k 可训练参数)方面的优点。
Aug, 2023
本文通过对不同 CNN 模型提取特征,并使用 SVM 分类器进行比较实验,得出在结肠镜图像识别方面,通过提取卷积层的特征即可达到 95% 的识别率,不需使用非 CNN 局部特征。
Aug, 2016
本文提出了一种基于深度神经网络的血管畸形检测和定位方法,应用于胃肠道出血和贫血的早期诊断,其在 MICCAI 2017 内镜视觉子挑战赛中表现出色,且优于目前的最新结果,其源代码已公开发布。
Apr, 2018
我们的研究旨在通过将人工智能全面整合到结肠胶囊内窥镜的路径中,自动进行图像处理步骤,并自主地检测、定位和表征重要发现,从而消除结肠胶囊内窥镜在临床实践中与光学结肠镜之间的差距。
Jun, 2024
比较 Capsule 网络和卷积神经网络(ConvNets),评估其在医学影像分析中使用少量标注数据和不平衡分类数据的表现,发现 Capsule 网络可以用较少的数据实现相同或更好的性能,并且更具有鲁棒性,非常有前景。
Jul, 2018
肤损图像分类中,复杂的空间和语义特征对传统基于卷积神经网络(CNN)的方法提出了挑战。本研究通过将图神经网络(GNNs)与胶囊网络相结合,提出了一种创新方法以增强分类性能,研究集中在评估和改进 Tiny Pyramid ViG 架构,并将其与胶囊网络相结合,结果表明该方法在克服皮肤损伤分类的潜在挑战方面具有潜力,并推动了皮肤科基于图像的诊断的发展。
Mar, 2024
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