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
通过引入 REAL-Colon 数据集,研究人员和开发人员可以推进结肠镜下人工智能研究,实现更准确可靠的结肠镜相关算法和模型的发展与基准测试。
Mar, 2024
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
本研究探讨了使用 VR 范例中的元素以提高虚拟结肠镜检效率与诊断准确性,计划进行多方面实验以评估覆盖范围、持续时间和专家对其的影响。
Feb, 2023
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
我们的研究旨在通过将人工智能全面整合到结肠胶囊内窥镜的路径中,自动进行图像处理步骤,并自主地检测、定位和表征重要发现,从而消除结肠胶囊内窥镜在临床实践中与光学结肠镜之间的差距。
Jun, 2024
本研究通过使用深度强化学习提出一种基于图像的内窥镜控制方法,能在大肠中出现复杂的部位展现出适应性行为,相比现有启发式控制策略在评估参数上表现相当甚至更安全,并且展示出更易于人类监督的特点,这将使介入医生能够将注意力集中在医疗决策上而不是内镜控制问题上。
Jun, 2022
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。
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。