预测人工智能结肠镜模型对未知数据的概括能力
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
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
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
自监督学习(SSl)在计算机视觉中取得了重要突破, 在生物医学中具有重要作用, 特别是在需要高度专业知识的数据注释领域。本研究使用先进的SSL框架,即Masked Siamese Networks(MSNs),对内窥镜视频分析进行研究,以检测和治疗感染、慢性炎症性疾病或癌症。我们构建了大规模的无标签内窥镜视频数据集,用于训练MSNs,以充分利用SSL的优势,并通过有限的注释数据集进行二次训练,从而在内窥镜基准测试中实现了最先进的性能,如腹腔镜和结肠镜手术阶段识别以及结肠镜息肉表征。此外,我们实现了注释数据量的50%减少,同时不降低性能。因此,我们的工作证明了SSL在内窥镜检查中可以大大减少对注释数据的需求。
Aug, 2023
通过测量真阳性率与每分钟误报数之间的关系,基于“MAsked mediCal Embedding Distance” (MACE)对以色列和日本结肠镜检查数据进行评估,发现尽管数据存在差异,但人工智能计算机辅助检测(CADe)在评估日本结肠镜检查数据时是非劣于以色列数据的,可以通过MACE帮助医学界的人工智能模型进行国际化。
Dec, 2023
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
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。
Jan, 2024
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。
Jan, 2024
通过引入REAL-Colon数据集,研究人员和开发人员可以推进结肠镜下人工智能研究,实现更准确可靠的结肠镜相关算法和模型的发展与基准测试。
Mar, 2024
本研究针对现有结肠镜视频中腺瘤定位的难题,提出了一种新颖的时空自校正检测器TSdetector,整合了时间一致性学习与空间可靠性学习,以提高检测性能。该方法通过全局时间感知卷积和分层队列集成机制,有效解决了序列间的异质性和预测精度与置信度的差异,最终在多个公开数据集上实现了最高的腺瘤检测率。
Sep, 2024