Jun, 2023

YONA: 仅一个相邻参考帧即可精准快速地检测视频息肉

PDF
TL;DR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。
polyp detectioncolonoscopy videosyonaend-to-end trainingvideo detection
发现论文，激发创造
  • YOLO-OB：基于多尺度无锚点实时结肠肿瘤检测器的改进

    本论文提出了一种名为 YOLO-OB 的新模型，通过双向多尺度特征融合结构和基于中心的无锚框回归策略，显著提高了息肉检测的各项性能指标，尤其是召回率，同时实现了基于 RTX3090 图形卡的实时息肉检测（每秒 39 帧）。

    Dec, 2023

  • 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

  • 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

    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。

    Mar, 2023

  • SALI: 结肠镜视频息肉分割的短期对齐与长期交互网络

    该研究论文提出了一种名为 SALI 网络的视频分割方法，通过增强邻近特征的一致性和重建可靠的息肉表示，以改善内窥镜检查中肠镜视频息肉分割的准确性。实验证明，SALI 网络在空间差异和低视觉线索的情况下表现出很强的鲁棒性，相比现有的方法，在大规模数据集上提高了 Dice 指数分别为 2.1%、2.5%、4.1% 和 1.9%。

    Jun, 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

  • 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

  • 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？

    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。

    Apr, 2023

  • 逐步特征融合：局部指导全局

    本文介绍了一种用于医学图像分割的新型深度学习模型 SSFormer，该模型使用了金字塔 Transformer 编码器来改进模型的泛化能力，提高了模型的学习和推广表现。

    Mar, 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