本论文提出一种新方法,实时检测内窥镜检查中因视觉差而被忽略的结肠区域,从而检测不到的息肉。研究采用二阶段方法,第一阶段确定视觉好的区域和之间的缺口,第二阶段使用受过训练的模型来检测缺口,并提供针对性的内窥镜检查。方法评估表明具有很高的敏感性和特异性,可以缩短肠镜检查时间并提高检出率。
May, 2023
结直肠癌是世界上最常见的癌症之一。本文描述了 2022 年 EndoVis 挑战赛中的人工结直肠三维重建问题及其解决方案的研究成果,并展示了虚拟结直肠镜检查中深度预测问题的可靠解决方案,同时指出姿态估计问题仍然是一个待解决的研究方向。
Jul, 2023
通过从单帧单目结肠镜视频中估计结肠深度图的新方法提高内部深度的估计,通过定制损失函数优化边缘和曲率估计误差,以及使用自定义合成数据库进行训练,该方法在深度估计方面达到了竞争水平。
Nov, 2023
该研究论文介绍一种新颖的多任务学习方法,用于通过共享编码器和两个解码器进行肠镜深度估计,提高对结肠黏膜表面的准确度。
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
本文提出了一种新颖的重建框架,采用对比深度特征和深度一致性深度图的对应方法,通过单一框架实现全局优化姿势,能够从频繁的跟踪失败中恢复,并估计全局一致的三维模型,从而实现了量化和质量上准确而健壮的三维结肠重建。
Jun, 2022
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
本研究旨在通过使用 Kvasir-SEG 数据集对几种先进方法进行基准测试,评估其在结肠镜疾病检测、定位和分割方面的性能,并显示所提出的 ColonSegNet 方法在精度、速度和分割任务方面均表现优异,其表现足以证明进行自动化实时息肉鉴别和划线的必要性。
Nov, 2020
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
本文提出了基于 ML 模型的在线和离线质量度量标准,该模型学习了视觉外观质量标准,并评估了检测到已知息肉的可能性,以证明所提出的度量标准与息肉检测的灵敏度高度相关。这些度量标准可以实时提供质量反馈给医生,这对于肠镜检查中错过的息肉数与检测质量有高度相关性非常有用。