Aug, 2023

基于原型学习的异域多发病病变分割

PDF
TL;DR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。
polyp segmentationcolonoscopy imagesprototypelabprototypeout-of-distribution datasets
发现论文，激发创造
  • 使用合成数据的自监督和半监督息肉分割

    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

  • 从一个越界的视角重新思考息肉分割

    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

  • 高效息片分割通过完整性学习

    这篇研究论文介绍了在结肠镜检测中，完整性不足对准确性的影响，并提出了一种名为 IC-PolypSeg 的网络模型，通过轻量级骨干网络和三个关键组件实现在宏观和微观层面上的完整性改善，该模型在多项实验证明在精度和计算效率方面优于八种最先进的方法，并满足了临床要求。

    Sep, 2023

  • 一项基于计算机视觉挑战的深度学习息肉检测和分割方法通用性评估

    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

  • Polyp-DDPM：基于扩散的语义息肉合成以提升分割

    介绍了一种名为 Polyp-DDPM 的基于扩散的方法，用于生成基于掩码的息肉真实图像，旨在增强胃肠道息肉的分割。通过在扩散模型上使用分割掩码，Polyp-DDPM 在图像质量和分割性能方面优于现有方法，生成高质量的合成数据集，将可比较于真实图像的分割模型提高至可实现更大数据扩充能力。

    Feb, 2024

  • 贝叶斯不确定性加权损失用于改善结肠息肉分割任务的泛化能力

    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

  • 面罩条件下使用潜在扩散生成胃肠息肉图像

    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

  • 基于深度学习的合成窄频带成像增强结肠息肉检测

    提出一种基于 CycleGAN 的框架将常规白光成像 (WLI) 转换为合成窄带成像 (SNBI)，以在 NBI 不可用时改善 WLI 上的物体检测，实验证明该方法可以提高息肉检测准确性。

    Jan, 2024

  • 通过主动学习实现高效的息肉分割

    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

  • 结肠直肠癌预防的联合单侧合成异源图像转换与分割

    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