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

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

本研究提出了一种新的自我监督学习方法，即 patch-level instance-group discrimination with pretext-invariant representation learning (PLD-PIRL)，通过该方法可以更准确、更稳健地检测肠炎患者黏膜炎症细微的变化，相较于基准监督学习网络和现有的一些自我监督学习方法，本方法表现出更好的准确性和鲁棒性。

Jul, 2022

通过基于内视镜技术的神经网络模型，我们开发了一个可以在溃疡性结肠炎的内视镜影像中区分组织学缓解 / 活动的特定神经网络模型，有助于加速临床组织学诊断。

Aug, 2023

胃肠道粘膜变化可导致癌症，在此研究中利用深度学习技术预测了 polyps（息肉）、ulcerative colitis（溃疡性结肠炎）、esophagitis（食管炎）、normal z-line（正常 z 线）、normal pylorus（正常幽门）、normal cecum（正常盲肠）、dyed lifted polyps（涂染抬起息肉）和 dyed lifted margin（涂染抬起边缘）等八类粘膜变化和解剖标志，作者采用卷积神经网络（CNN）结构的迁移学习（TL）模型，并通过与 VGG、Inception、Xception 和 ResNet 等不同 CNN 架构进行比较，最佳模型在测试图像中达到了 93% 的准确率，最后，作者将模型应用于一些实际内窥镜和结肠镜的影像数据进行问题分类。

Jul, 2023

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

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

本文介绍了基于深度强化学习的主动学习框架，旨在最大限度地提高医学影像分类器性能，同时减少对数据采集和标记所需的时间和专业知识。该框架通过修改深度 - Q 网络公式，基于几何参数在分类器的潜在空间中挑选数据，实现了高准确性的多类别分类。同时，我们还将该框架应用于两个医学图像数据集，并与标准查询策略以及最新的基于强化学习的主动学习方法进行了比较。

Jun, 2022

使用大型语言和视觉模型的最新进展，我们提出了 EndoKED，一种用于深度知识提取和蒸馏的数据挖掘范式，可以自动将原始结肠镜记录转化为具有像素级注释的图像数据集。通过验证 EndoKED 使用的多中心原始结肠镜记录数据集（约 100 万张图像），我们证明其在训练息肉检测和分割模型方面具有卓越的性能。此外，EndoKED 预训练的视觉骨干为光学活检提供了数据高效和可推广的学习，实现了回顾性和前瞻性验证中的专家级表现。

Oct, 2023

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