May, 2023

结肠镜检过程的半监督质量评估

PDF
TL;DR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。
colonoscopypolyp detectionquality metricsml modelgi
发现论文，激发创造
  • 结肠镜检查覆盖范围重视：实时识别扫描漏洞

    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

  • 结肠胶囊内镜自动息肉检测

    使用几何分析和纹理内容的二元分类器进行结肠胶囊内镜图像诊断，结果表明算法在具有 47% 的每帧敏感度和 90% 特异度的情况下，对肿瘤的诊断表现良好。

    May, 2013

  • 一项基于计算机视觉挑战的深度学习息肉检测和分割方法通用性评估

    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

  • 自监督结肠镜息肉重新识别

    提出了一种基于注意力机制、自我监督机器学习模型的结直肠息肉追踪方法，用于聚合来自多个镜头的息肉数据，为 CADx 任务提供帮助。

    Jun, 2023

  • 多标签时序网络对结肠镜检查视频进行语义解析

    本研究提出了一种用于结肠镜视频的自动语义分析方法，包括使用新型 DL 多标签时间分割模型在监督和无监督环境下进行训练，通过对 300 多个带标注的结肠镜视频测试集进行评估，并使用消融研究来探索各种方法组件的相对重要性。

    Jun, 2023

  • 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

  • 从结肠镜视频中估计结肠三维重构的覆盖范围

    提出了一种方法，用于从三维结构化数据中估算回肠的表面面积，可以减少肠镜检查中被漏检的息肉数量，该方法在合成和真实数据下均取得了良好的结果。

    Oct, 2022

  • 使用深度学习在结肠镜检查中实时进行息肉检测、定位和分割

    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

  • 通过 Medico 2020 息肉分割和 MedAI 2021 透明度挑战对结肠镜中息肉和器械分割方法进行客观验证

    自动分析结肠镜图像是一项活跃的研究领域，该研究受到早期检测癌前息肉重要性的驱动。深度学习作为有望解决该挑战的一种方法，可以帮助结肠镜检医生实时发现和分类被忽视的息肉和异常。为了推动高效透明方法的发展，我们组织了两个竞赛，针对医学自动息肉分割和医学图像分割透明度。通过综合分析这些挑战，我们不仅突出了息肉和手术工具分割的进展，还鼓励定性评估，以构建更透明、可理解的基于人工智能的结肠镜系统。

    Jul, 2023

  • ColNav: 结肠镜实时导航系统

    该论文介绍了一种基于实时导航系统的光学结肠镜检查技术，通过在操作过程中提供定位信息，从而提高了肿块检测率和医生的预测成功率。

    Jun, 2023