通过使用 3D 技术和生成对抗网络相结合产生逼真的合成图像，我们提出了 CUT-seg，将分割模型和生成模型相互训练以生成逼真图像并学习肠息肉分割。我们利用最新的单向翻译模型，因为它们使用的内存显著较少，可以在训练环节中添加分割模型。相较于其他内存密集型图像转换方法需要两阶段训练，CUT-seg 表现更好，计算成本更低，并且只需要一个真实图像和零个真实标注就能在五个真实肠息肉分割数据集上取得有希望的结果。作为本研究的一部分，我们发布了 Synth-Colon，一个完全合成的数据集，包括 20000 个逼真的结肠图像以及有关深度和 3D 几何的其他细节。

Jul, 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

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

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

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

提出了一种新的增强的双尺度和交叉生成一致性学习框架，用于半监督息肉分割，通过整合不同分辨率的交叉级相邻层来增强特征表达能力，采用尺度增强的一致性约束来处理形状尺寸和位置的变异，并通过交叉分段图重建原始和扰动图像来提高分割性能。

Dec, 2023

本文提出了一种自监督学习方法，结合变形自编码器，在分析结肠图像中肿瘤细胞方面具有较强的表现，并且在不同数据集上表现出了很好的泛化能力。

Jun, 2023

准确检测结直肠癌和早期预防严重依赖于肠镜检查期间精确的息肉识别。本研究提出了一种综合利用掩膜优化和二进制语义分割的方法，通过一种新颖的协作训练策略，超越了当前广泛使用的优化策略，并通过对建立的基准数据集进行全面评估，成功应用于各种医学图像分割架构。

May, 2024

为了解决医学领域数据难以获取的问题，本文提出了一种有条件的扩散概率模型（DPM）框架来生成合成的肠道息肉图像以及合成数据在二进制图像分割模型训练中的应用。研究结果表明，合成数据可以有效地帮助提高模型准确性。

Apr, 2023