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

使用大型语言和视觉模型的最新进展，我们提出了 EndoKED，一种用于深度知识提取和蒸馏的数据挖掘范式，可以自动将原始结肠镜记录转化为具有像素级注释的图像数据集。通过验证 EndoKED 使用的多中心原始结肠镜记录数据集（约 100 万张图像），我们证明其在训练息肉检测和分割模型方面具有卓越的性能。此外，EndoKED 预训练的视觉骨干为光学活检提供了数据高效和可推广的学习，实现了回顾性和前瞻性验证中的专家级表现。

Oct, 2023

通过使用新颖的 ADSNet 架构，本论文针对结肠镜图像中存在的肿瘤形状、颜色、条件以及与周围环境相似的问题，改进了肿瘤分割性能，提高了肿瘤图像分割任务的实验结果。

May, 2024

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

该研究论文介绍一种新颖的多任务学习方法，用于通过共享编码器和两个解码器进行肠镜深度估计，提高对结肠黏膜表面的准确度。

Nov, 2023

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

结肠镜检查在诊断和预测各种胃肠疾病中起着关键作用。我们探索使用视觉变换器中的自监督特征来处理肠镜图像的三个具有挑战性的任务，结果表明与完全监督模型相比，从 DINO 模型学习的图像级特征可以实现相似的图像分类性能，而补丁级特征包含丰富的语义信息，可以用于对象检测。此外，我们证明了自监督特征结合无监督分割可以在完全无监督的情况下发现多个临床相关结构，展示了在医学图像分析中应用这些方法的巨大潜力。

Dec, 2023

本文提出了一种基于双解码器注意力网络的新型架构 DDANet，通过在 Kvasir-SEG 数据集上训练并在一个未见数据集上测试，达到了 0.7874 的 Dice 系数，0.7010 的 mIoU、0.7987 的召回率和 0.8577 的精度，证明了模型的泛化能力。

Dec, 2020

本文提出一种基于视觉转换网络的结肠镜标志检测算法，利用自适应伽马矫正保持一致的图像亮度，并比较视觉转换网络与 ResNet-101 和 ConvNext-B 等原型在标记检测方面的表现，结果显示该算法提高效率并取得了较高的准确率。

Sep, 2022

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