Nov, 2023

深度学习在息肉分割方面的调查：技术、挑战和未来趋势

PDF
TL;DR早期检测和评估息肉在结直肠癌的预防和治疗中起着至关重要的作用。本文综述了息肉分割算法，包括传统算法和基于深度学习网络的算法，详细介绍了相关基准数据集及对最近的深度学习模型进行的全面评估，最后讨论了该领域的挑战和未来趋势。
polyp segmentationcolorectal cancerdeep learningmedical image segmentationbenchmark datasets
发现论文，激发创造
  • 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

  • 使用深度学习在结肠镜检查中实时进行息肉检测、定位和分割

    本研究旨在通过使用 Kvasir-SEG 数据集对几种先进方法进行基准测试，评估其在结肠镜疾病检测、定位和分割方面的性能，并显示所提出的 ColonSegNet 方法在精度、速度和分割任务方面均表现优异，其表现足以证明进行自动化实时息肉鉴别和划线的必要性。

    Nov, 2020

  • 深度学习时代下的结直肠息肉分割：详细调查

    通过综合系统的回顾 2014 年至 2023 年间 115 篇论文，本文首先提供一个基于深度学习的结肠直肠息肉分割技术的新分类法，包括网络架构、监督级别和学习范式，并分析了各数据集的特征、常用评估指标以及 40 个深度学习模型的性能。最后讨论了深度学习分割结肠直肠息肉方法的主要挑战和机会。

    Jan, 2024

  • 使用 U-Net 和膨胀卷积进行结肠息肉分割

    本文提出了一种用于结肠镜检查中结肠息肉图像分割的深度学习框架，该框架具有编码器和解码器，通过引入扩张卷积和简化的解码器来实现优化特征表示能力以及减少参数数量，在 CVC-ClinicDB 和 ETIS-Larib Polyp DB 上取得了最新研究成果。

    Dec, 2019

  • 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

  • 使用全卷积网络进行结肠镜图像中息肉分割

    本文提出了一种基于卷积神经网络的息肉分割方法，通过训练时的图像块选择和测试时的有效后处理，相较于先前的结肠镜视频分割方法更具准确性。

    Feb, 2018

  • CRIS：结合分割的协同细化技术用于息肉分割

    准确检测结直肠癌和早期预防严重依赖于肠镜检查期间精确的息肉识别。本研究提出了一种综合利用掩膜优化和二进制语义分割的方法，通过一种新颖的协作训练策略，超越了当前广泛使用的优化策略，并通过对建立的基准数据集进行全面评估，成功应用于各种医学图像分割架构。

    May, 2024

  • 逐步特征融合：局部指导全局

    本文介绍了一种用于医学图像分割的新型深度学习模型 SSFormer，该模型使用了金字塔 Transformer 编码器来改进模型的泛化能力，提高了模型的学习和推广表现。

    Mar, 2022

  • DilatedSegNet: 一种用于息肉分割的深度扩张分割网络

    该研究论文利用深度学习技术提出一种新颖的实时结构化模型 ——DilatedSegNet，可用于肠镜检查中息肉分割，其平均 dice coefficient 为 0.90，mIoU 为 0.83，其结果表明该模型具有以实现实时反馈为主导且保留了高分割性能特点的高潜力。

    Oct, 2022

  • 通过 Medico 2020 息肉分割和 MedAI 2021 透明度挑战对结肠镜中息肉和器械分割方法进行客观验证

    自动分析结肠镜图像是一项活跃的研究领域，该研究受到早期检测癌前息肉重要性的驱动。深度学习作为有望解决该挑战的一种方法，可以帮助结肠镜检医生实时发现和分类被忽视的息肉和异常。为了推动高效透明方法的发展，我们组织了两个竞赛，针对医学自动息肉分割和医学图像分割透明度。通过综合分析这些挑战，我们不仅突出了息肉和手术工具分割的进展，还鼓励定性评估，以构建更透明、可理解的基于人工智能的结肠镜系统。

    Jul, 2023