Oct, 2023

通过结合 CNNs 的分类和 HMMs 的时间序列分析在胃肠道中进行精确定位

PDF
TL;DR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。
gastroenterologic classificationvideo capsule endoscopyconvolutional neural networkhidden markov modellow power devices
发现论文，激发创造
  • 一种基于 Transformer 的胃肠道疾病检测方法

    本研究使用视觉转换器和迁移学习模型对内窥镜图像进行特征分类，从而协助医疗诊断，识别肠道疾病，准确率可达 95.63％。与预训练的卷积神经网络模型 DenseNet201 进行比较，并证明视觉转换器在各种数量化性能评估指标上均优于 DenseNet201。

    Oct, 2022

  • 使用 CNN 特征进行 NBI 内窥镜下辅助结直肠肿瘤分类

    本文通过对不同 CNN 模型提取特征，并使用 SVM 分类器进行比较实验，得出在结肠镜图像识别方面，通过提取卷积层的特征即可达到 95% 的识别率，不需使用非 CNN 局部特征。

    Aug, 2016

  • 胶囊内镜和人工智能的交叉领域：利用机器学习应对独特挑战

    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

  • 通过引导学习：内窥镜图像分类的知识蒸馏

    内窥镜在识别胃肠道的潜在异常方面起着重要作用。最近，深度学习，特别是卷积神经网络（CNNs），在胃肠道内窥镜图像分析方面报道了显著的优势。然而，现有的模型大多关注性能的提高，缺乏开发在资源有限环境中运行的轻量级模型的重点。我们通过三种基于知识蒸馏学习框架进行研究，并引入了一种新颖的基于多头注意力的特征融合机制来支持基于关系的学习。在两个广泛使用的公共数据集 KVASIR-V2 和 Hyper-KVASIR 上进行了广泛的评估，实验结果表明了我们提出的基于关系的框架在实现资源有限环境中运行的改进轻量级模型（仅有 51.8k 可训练参数）方面的优点。

    Aug, 2023

  • UGCANet：一种统一的全局上下文感知基于 Transformer 的网络，具有特征对齐功能，用于内窥镜图像分析

    本研究提出了一种多任务利用全局上下文感知模块和特征对齐块的 Transformer-based 深度神经网络，可用于精确识别上消化道病变和肠息肉，实验证明其性能卓越。

    Jul, 2023

  • 采用带类别感知损失的知识蒸馏进行内窥镜疾病检测

    本文提出了一个利用深度学习来改善诊断失误率的框架，针对胃肠道癌症的诊断，利用端到端的师生学习方式，采用多类别学生网络来利用训练过的师范模型的类别概率，从而提高困难检测病变的定位并最小化漏检率，模型在两个数据集上都实现了更高的 mAP，并且具有泛化性。

    Jul, 2022

  • 可解释且成本敏感的深度神经网络通过监督对比学习进行肠胃疾病分类

    本文介绍了一种新方法，通过利用费用敏感的预训练深度卷积神经网络和有监督对比学习分类胃肠疾病，以捕获与疾病相关的关键特征，并考虑样本之间的相似性关系，从而为医疗保健中的准确疾病分类提供帮助。作者还结合了可解释人工智能的梯度技术，提高了模型的可解释性，并在广泛的胃肠疾病数据集上进行了测试，证明了该方法的高度准确度、强韧性和可解释性。

    Jul, 2023

  • GastroVision: 计算机辅助胃肠疾病检测的多类胃镜图像数据集

    为了在临床实践中整合实时人工智能系统，需要解决数据可用性、数据质量和缺乏多样性数据集等挑战。为此，我们介绍了 GastroVision，一个多中心开放获取的胃肠内镜数据集，该数据集包括来自胃肠道的 24 种不同病理异常、息肉切除病例和正常发现，提供了大规模、精确标记的多样化数据集，并验证了数据集的重要性。我们相信，该数据集可以促进基于人工智能的胃肠疾病检测和分类算法的开发。

    Jul, 2023

  • 基于语义地图引导的扩散模型，合成无线胶囊内窥镜图像

    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

  • 一种混合卷积神经网络与元特征学习的膳食胶囊内窥镜图像异常检测方法

    提出一种基于混合卷积神经网络的异常检测算法，通过三个并行的卷积神经网络提取多种特征，在 KID 和 Kvasir-Capsule 数据集上的测试结果表明，该算法的分类精度高达 97% 和 98%。

    Jul, 2022