基于语义地图引导的扩散模型,合成无线胶囊内窥镜图像
本文提出了一种基于多尺度卷积神经网络和反向扩散过程的无线胶囊内窥镜低光图像增强框架,并将其与十种现有 LLIE 方法进行比较,表明该模型具有明显的性能优势和临床潜力。
Jul, 2023
本研究提出了一种统一的解释方法,结合了模型依赖和不依赖的解释,用于给定实例的自动决策,生成一组解释。通过无线胶囊内窥镜,验证了该方法的有效性。
Dec, 2022
Wireless Capsule Endoscopy (WCE) 采用一种无创痛苦的方法被高度重视,尽管硬件限制和复杂的内部动态导致了不均匀的照明,从而导致过曝或欠曝图像。我们引入了 EndoUIC,一种使用端到端可提示的扩散变换器(DFT)模型的 WCE 统一照明校正解决方案,以解决这个问题。我们的工作中,照明提示模块将导航模型以适应不同的曝光水平并执行有针对性的图像增强,在其中自适应提示集成(API)和全局提示扫描器(GPS)模块将进一步增强提示参数和特征之间的并行表示学习。此外,U 形恢复 DFT 模型将捕捉统一照明恢复的长程依赖和上下文信息。此外,我们提供了一个新颖的胶囊内镜暴露校正(CEC)数据集,包括由专业摄影师注释的地面真实图像和损坏图像对。对四个数据集上的各种先进方法进行的大量实验证明了我们提出的方法和组件在 WCE 照明恢复中的有效性,额外的下游实验进一步展示了其在临床诊断和手术辅助中的实用性。
Jun, 2024
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
通过采用半监督学习方法和深度学习技术,我们开发了一种基于视频胶囊内窥镜图像的出血区域分割策略,有效减少了对大量标注数据的依赖,同时保持了准确识别的能力。
Aug, 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
通过使用领域先验知识作为先决条件来学习更强大和可推广的表示,我们实验表明,域优先可以通过代理标签的方式使表示受益,从而显着减少标记要求,同时仍使完全无监督但病理感知学习成为可能,建立了病理分类和跨数据集推广的新基准。
Jun, 2022
我们研究了基于条件扩散模型的腹部 CT 语义图像合成,并对三种不同的扩散模型以及其他基于生成对抗网络的方法进行了系统评估。实验结果表明,扩散模型能够合成具有更好质量的腹部 CT 图像。此外,将语义掩码和输入分别编码比简单拼接更加有效。
Dec, 2023
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