Jan, 2024

基于深度学习的合成窄频带成像增强结肠息肉检测

PDF
TL;DR提出一种基于 CycleGAN 的框架将常规白光成像 (WLI) 转换为合成窄带成像 (SNBI)，以在 NBI 不可用时改善 WLI 上的物体检测，实验证明该方法可以提高息肉检测准确性。
colorectal cancerscreening programspolyp detectionnarrow-band imagingcyclegan-based framework
发现论文，激发创造
  • 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

  • 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

  • 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

  • 预测人工智能结肠镜模型对未知数据的概括能力

    使用自监督方法的带掩码连体网络（MSN）可以预测未标记数据上的 CADe 检测器性能，并能够检测临床数据中的分布偏移，具有医学图像领域的潜在应用。

    Mar, 2024

  • 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

  • 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

  • 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

  • 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

  • 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