Mar, 2023

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

PDF
TL;DR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。
polyp detectionconvolutional neural networkstemporal informationencoder-decoder modelfeature concatenation
发现论文，激发创造
  • 基于 Faster R-CNN 的内窥镜视频息肉检测高效方法

    该文研究了基于深度学习的快速区域卷积神经网络（Faster R-CNN）在内窥镜图像中多发性息肉检测方面的应用，实验结果表明其能够有效的用于临床实践。

    Sep, 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

  • PolypNextLSTM：一种使用 ConvNext 和 ConvLSTM 的轻量级快速息肉视频分割网络

    用于息肉分割中，PolypNextLSTM 利用视频数据的时间洞察力，采用基于视频的深度学习方法，通过有效利用时间信息来获得出色的分割性能，参数最少且速度最快，胜过五个最先进的基于图像和视频的深度学习模型。

    Feb, 2024

  • SSTFB: 利用自监督预训练和时间自注意力以特征分支实现实时视频息肉分割

    通过自监督学习作为辅助任务以及空间 - 时间自注意机制，我们提出了一种视频息肉分割方法，以改进表示学习。我们的端到端配置和联合优化损失使网络能够在视频中学习更有区分性的上下文特征。实验结果表明，与多个最先进方法相比，我们的方法有所改进。我们的消融研究还证实了所提出的端到端训练选择相比最近提出的方法 PNS+ 和 Polyp-PVT，在 Dice 相似系数和交并比方面，网络准确性提高了 3% 以上，并分别与之相比提高了近 10%。对之前未见的视频数据的结果表明，所提出的方法具有泛化能力。

    Jun, 2024

  • 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

  • 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

  • 基于时间金字塔池化的卷积神经网络用于动作识别

    该论文提出了一种新的网络结构，可以允许任意数量的帧作为网络输入，并采用编码层、时空金字塔池化层和特征拼接层解决了 CNN 在视频分类中帧数不定的问题，实验结果表明该方法在使用更少的训练数据时能超越同类方法。

    Mar, 2015

  • M3FPolypSegNet：结肠镜图像中多频特征融合的息肉定位分割网络

    通过使用多频特征融合息肉分割网络 (M3FPolypSegNet)，以及多任务学习的方法，本研究提出了一种新颖的基于频率的全卷积神经网络，能够自动地分割结肠镜图像中的小型息肉，提高了分割的准确性和效率。

    Oct, 2023

  • 多层特征融合网络结合注意力机制用于息肉分割

    为了提高医学诊断的效率和准确度，减少患者结直肠癌的风险，我们提出了一种名为 MLFF-Net 的新型息肉分割方法，该方法利用多级特征融合和注意机制。实验证明该方法不仅可以分割多种类型的息肉，还在准确性和概括能力方面优于现有最先进的方法。

    Sep, 2023

  • 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

    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。

    Jun, 2019