自监督学习 (SSl) 在计算机视觉中取得了重要突破，在生物医学中具有重要作用，特别是在需要高度专业知识的数据注释领域。本研究使用先进的 SSL 框架，即 Masked Siamese Networks (MSNs)，对内窥镜视频分析进行研究，以检测和治疗感染、慢性炎症性疾病或癌症。我们构建了大规模的无标签内窥镜视频数据集，用于训练 MSNs，以充分利用 SSL 的优势，并通过有限的注释数据集进行二次训练，从而在内窥镜基准测试中实现了最先进的性能，如腹腔镜和结肠镜手术阶段识别以及结肠镜息肉表征。此外，我们实现了注释数据量的 50％减少，同时不降低性能。因此，我们的工作证明了 SSL 在内窥镜检查中可以大大减少对注释数据的需求。

Aug, 2023

研究介绍了视频胶囊内窥镜、人工智能以及 VCE 数据解释等主题，使用卷积神经网络准确识别解剖标记，以轻量级模型提高临床医生信心。

Aug, 2023

该研究提出了一种新的基于差异的主动学习方法（Discrepancy-basEd Active Learning），以几个注释来缩小类激活图（CAM）与真实结果之间的差距，并使用 CAMPUS 准则来预测 CAM 与真实结果之间的差距。使用 WCE 数据集评估了该方法，结果表明我们的方法优于最先进的主动学习方法，并且在只标记了 10% 的训练数据的情况下达到与完全标记数据集训练的方法相当的性能。

Aug, 2023

通过利用扩散模型（DM）生成多样化的胶囊内窥镜（WCE）图像，我们的研究采用视觉检查和视觉图灵测试评估方法，证明了该方法在生成逼真且多样化的 WCE 图像方面的有效性。

Nov, 2023

通过解决微小病变和背景干扰等挑战，以及利用放大增强器生成放大后的 WCE 图像从而学习鲁棒表示，我们提出了一种用于 WCE 图像分类的去耦合监督对比学习方法。训练一个线性分类器来使用这些表示，在仅 10 个 epoch 内取得了惊人的 92.01％的整体准确率，超过了前一最先进方法 0.72％，基于两个公开可访问的 WCE 数据集。

Jan, 2024

本论文提出了一种用于弱监督内窥镜下病变分割的新语义病变表示转移模型，该模型可以从相关的完全标记的疾病分割任务中利用有用的知识，以提高目标弱标记的病变分割任务的性能，其中包括提出了基于伪标签生成器的伪像素标签生成方法，并将同一类别的动态搜索特征中心在不同数据集间对齐。

Aug, 2019

本文提出一种针对医疗图像分类领域的半监督学习方法，借助于新领域、新标签的未标记数据，采用基于双路径异常值估计和变分自动编码器预训练的方法，实现更好的开放场景下的分类表现。在实验中，该模型在不同的医疗学习场景下 Demonstrate 了更好的分类表现。

Apr, 2023

本文提出了一个新方法，即基于补充角度余弦相似度度量的补丁水平实体群差异化方法，它使得模型能够学习将类似的代表性补丁聚类在一起，从而提高它们在不同类别之间的分离能力。实验结果表明，我们的方法优于基线架构，对分类、检测和分割任务的准确度分别提高了 4%、2% 和 3%。此外，我们还证明了我们的方法相对于所有 SOTA 方法具有更好的泛化性，我们的泛化性评估提高了近 7%。

May, 2023

本文描述了我们在 Auto WCEBleedGen 挑战赛 V2 2024 中的方法，结合了 Swin Transformer 用于出血帧的初步分类以及 RT-DETR 用于进一步检测无线胶囊内窥镜图像中的出血，同时还采用了一系列图像预处理步骤，包括将图像转换为 Lab 颜色空间，使用限制对比适应性直方图均衡化（CLAHE）进行对比度增强，以及使用高斯模糊抑制伪影。该方法在验证集上达到了 98.5％的分类准确率（优于其他最先进模型的表现），相较于无任何预处理的 91.7％，在 $ ext {AP}_{50}$ 上达到了 66.7％（相较于最先进的 YOLOv8 的 65.0％）。在测试集上，该方法的分类准确性和 F1 得分分别为 87.0％和 89.0％。

Jun, 2024

本研究提出了一种有效地对视频胶囊内镜图像进行肠胃分类的方法，该方法通过将卷积神经网络（CNN）用于分类与隐马尔可夫模型（HMM）的时间序列分析属性相结合，演示了连续的时间序列分析可以识别和纠正 CNN 输出的错误，该方法在罗得岛（RI）胃肠病学数据集上达到了 98.04％的准确率，适用于只需大约 1M 参数的低功耗设备，从而可以精确定位胃肠道。

Oct, 2023