Jan, 2024

增强的 CenterNet 与对比学习的自动息肉检测

PDF
TL;DR通过使用增强中心点网络与对比学习 (ECC-PolypDet) 的两阶段训练和端到端推理框架，结合图像和边界框注释来训练通用模型，并基于推理得分对其进行微调，以获取一个最终鲁棒的模型，从而实现对结直肠癌早期诊断至关重要的息肉准确检测。
polyp detectioncolorectal cancerenhanced centernet with contrastive learningtwo-stage trainingfine-tuning
发现论文，激发创造
  • Y-Net：用于息肉检测的深度卷积神经网络

    为解决结直肠息肉在早期检测中发现率低、训练数据有限、多样性大等问题，本文提出使用 Y-Net 深度学习方法，提高了息肉检测的 F1 分数 7.3% 和召回率 13%。

    Jun, 2018

  • 高效息片分割通过完整性学习

    这篇研究论文介绍了在结肠镜检测中，完整性不足对准确性的影响，并提出了一种名为 IC-PolypSeg 的网络模型，通过轻量级骨干网络和三个关键组件实现在宏观和微观层面上的完整性改善，该模型在多项实验证明在精度和计算效率方面优于八种最先进的方法，并满足了临床要求。

    Sep, 2023

  • 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

  • 结直肠镜图像中的自动息肉分割

    使用扩张卷积模块和交叉注意力网络对结肠内镜图像中的息肉进行分割，并结合数据增强技术和全局平均池化的方法，在处理不规则息肉形状时实现了明显的改进。

    Apr, 2024

  • 基于 Faster R-CNN 的内窥镜视频息肉检测高效方法

    该文研究了基于深度学习的快速区域卷积神经网络（Faster R-CNN）在内窥镜图像中多发性息肉检测方面的应用，实验结果表明其能够有效的用于临床实践。

    Sep, 2018

  • YOLO-OB：基于多尺度无锚点实时结肠肿瘤检测器的改进

    本论文提出了一种名为 YOLO-OB 的新模型，通过双向多尺度特征融合结构和基于中心的无锚框回归策略，显著提高了息肉检测的各项性能指标，尤其是召回率，同时实现了基于 RTX3090 图形卡的实时息肉检测（每秒 39 帧）。

    Dec, 2023

  • DDANet：自动息肉分割的双解码注意力网络

    本文提出了一种基于双解码器注意力网络的新型架构 DDANet，通过在 Kvasir-SEG 数据集上训练并在一个未见数据集上测试，达到了 0.7874 的 Dice 系数，0.7010 的 mIoU、0.7987 的召回率和 0.8577 的精度，证明了模型的泛化能力。

    Dec, 2020

  • 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

  • 结肠胶囊内镜自动息肉检测

    使用几何分析和纹理内容的二元分类器进行结肠胶囊内镜图像诊断，结果表明算法在具有 47% 的每帧敏感度和 90% 特异度的情况下，对肿瘤的诊断表现良好。

    May, 2013

  • 基于条件对抗网络的异常结肠息肉图像合成技术以提高检测效能

    利用有限的肿瘤训练图像，本文利用条件性对抗网络 (CANs) 框架通过生成合成肿瘤图像来提高研究的精度。使用边缘过滤器和可变卷积，其结构基于编码部分的多个膨胀卷积。经过测试，生成的肿瘤图像既真实且能有效提高肿瘤检测的性能。

    Jun, 2019