AAAIApr, 2023

对抗网络能否将无信息结肠镜视频帧转化为临床有用信息？

PDF
TL;DR提出使用对抗网络基础框架将无信息帧转换为临床相关帧以提高结肠镜检查对于诊断结直肠癌的有效性，进而在使用 YOLOv5 进行息肉检测时获得改善检测性能与优雅的定性结果，并审查失败案例以确定未来工作的方向。
colorectal cancercolonoscopyadversarial networkpolyp detectionartifacts
发现论文，激发创造
  • 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

  • YONA: 仅一个相邻参考帧即可精准快速地检测视频息肉

    本文提出了 YONA 算法，即仅需要一个相邻参考帧的视频息片段检测框架，通过自适应分配前景和背景模板样本来解决结肠镜视频中摄像机运动场景引起的视频颤动问题，同时通过交叉帧对比学习和引导对齐来大幅提高模型的性能和速度。

    Jun, 2023

  • 图像和视频分类的对抗性框架

    本文提出一种使用边框添加对抗性干扰的图像覆盖方法， 能够成功攻击最先进的图像和视频分类方法，从而对神经网络的安全性提出挑战，并提供了源代码。

    Dec, 2018

  • 卷积神经网络在结肠息肉语义分割中的不确定性和可解释性

    本文着重于探讨在医学图像分析领域中，基于卷积神经网络的语义分割算法的不确定性评估和模型可解释性问题，并提出了一种高效的分割算法，准确率最高可达 76.06%。

    Jul, 2018

  • 对抗式 CAC-UNet 多级结肠镜恶性组织检测

    本研究提出了一种高效的多级恶性组织检测方法，可用于自动和客观的医学诊断模型，以达到早期癌症检测目的，从而降低死亡率。通过使用设计的对抗性 CAC-UNet 的补丁级模型和恶性区域引导标签平滑处理，以消除负面 WSIs，以降低误检风险。在多模型集合选择的关键补丁上，设计了 CAC-UNet 来实现稳健分割，其中镜像设计的鉴别器能够无缝融合精心设计的强大背骨网络的整个特征图，没有任何信息丢失。此方案在 MICCAI DigestPath2019 挑战赛结肠镜组织分割和分类任务中取得了最佳结果。

    Jun, 2020

  • 生成敌对网络用于视频到视频的域自适应

    本文提出了一种名为 VideoGAN 的生成对抗网络，用于跨不同域传输基于视频的数据，并通过对结肠镜数据的实验验证，表明我们的 VideoGAN 可以显著提高多中心数据集上结直肠息肉分割的精度，并可用于将图像从阴天转换为晴天的任务。

    Apr, 2020

  • 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

  • 结肠镜图像内腔场景分割基准

    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

  • 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