通过使用计算机视觉技术和合成数据，提出了一种用于结肠息肉分割的模型，该模型在自监督和半监督设置中达到了最先进的结果。

Jul, 2023

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

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

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

本文提出了一种用于结肠镜检查中结肠息肉图像分割的深度学习框架，该框架具有编码器和解码器，通过引入扩张卷积和简化的解码器来实现优化特征表示能力以及减少参数数量，在 CVC-ClinicDB 和 ETIS-Larib Polyp DB 上取得了最新研究成果。

Dec, 2019

提出了一种深度主动学习框架，用于高效标记息肉分割，在有限的标注预算下实现了最佳性能。

Mar, 2024

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

本文介绍了一个名为 PrototypeLab 的稳健且广义的息肉分割模型，该模型通过引入不同的照明模式，学习生成每个对象类别的原型，并利用原型生成最终分割掩模，从而在来自多个中心的分布之外数据集上发挥有效作用，相比 16 种最先进的图像分割架构，在分割息肉方面具有更优异的性能。

Aug, 2023

早期检测和评估息肉在结直肠癌的预防和治疗中起着至关重要的作用。本文综述了息肉分割算法，包括传统算法和基于深度学习网络的算法，详细介绍了相关基准数据集及对最近的深度学习模型进行的全面评估，最后讨论了该领域的挑战和未来趋势。

Nov, 2023

通过使用贝叶斯方法来降低隐式偏差并关注代表性不足的样本区域，该研究在多中心息肉分割数据集上展示了改进泛化能力的潜力，同时保持先进性能。

Sep, 2023