Dec, 2023

大肠镜图像的无监督分割

PDF
TL;DR结肠镜检查在诊断和预测各种胃肠疾病中起着关键作用。我们探索使用视觉变换器中的自监督特征来处理肠镜图像的三个具有挑战性的任务，结果表明与完全监督模型相比，从 DINO 模型学习的图像级特征可以实现相似的图像分类性能，而补丁级特征包含丰富的语义信息，可以用于对象检测。此外，我们证明了自监督特征结合无监督分割可以在完全无监督的情况下发现多个临床相关结构，展示了在医学图像分析中应用这些方法的巨大潜力。
colonoscopymedical imagesself-supervised featuresvision transformersunsupervised segmentation
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

  • 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

  • FCN-Transformer 特征融合在息肉分割中的应用

    我们提出了一种新的体系结构，结合了 transformer 和全卷积分支，以实现大尺寸结肠镜图像的自动分割，具有先进的性能和更好的泛化能力，适用于肠镜检查中早期检测肠癌的应用。

    Aug, 2022

  • 结肠镜图像内腔场景分割基准

    介绍一个用于结肠镜图像分析的新基准，通过使用决策支持系统在不同阶段提供内腔场景分割，基于全卷积神经网络的训练，在不进行后处理的情况下，在内腔场景分割方面优于以往结果。

    Dec, 2016

  • 有限数据注释的自监督 RCNN 用于医学图像分割

    本文提出一种基于自监督预训练的医学图像分析深度学习训练策略，通过将不同扭曲应用于图像的随机区域，预测扭曲的类型和信息的损失，并使用改进的 Mask-RCNN 体系结构定位扭曲位置和恢复原始图像像素，将该方法用于分割任务，能够提高 Dice 分数 20%。

    Jul, 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

  • 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

  • 内窥镜单目深度预测任务导向的领域差异减小

    该研究提出了一种新方法来利用标记的合成数据和未标记的真实数据，以实现对结肠镜序列的更具弹性和准确的深度图预测。

    Oct, 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

  • SSTFB: 利用自监督预训练和时间自注意力以特征分支实现实时视频息肉分割

    通过自监督学习作为辅助任务以及空间 - 时间自注意机制，我们提出了一种视频息肉分割方法，以改进表示学习。我们的端到端配置和联合优化损失使网络能够在视频中学习更有区分性的上下文特征。实验结果表明，与多个最先进方法相比，我们的方法有所改进。我们的消融研究还证实了所提出的端到端训练选择相比最近提出的方法 PNS+ 和 Polyp-PVT，在 Dice 相似系数和交并比方面，网络准确性提高了 3% 以上，并分别与之相比提高了近 10%。对之前未见的视频数据的结果表明，所提出的方法具有泛化能力。

    Jun, 2024