ProMamba:针对息肉分割的提示 - Mamba
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
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
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
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。
Nov, 2023
本研究提出了基于 Segment Anything Model (SAM) 的调优模型 Poly-SAM 用于结肠息肉图像的分割,相比已有方法,该模型在结肠息肉分割方面具有优越的性能,集成了两种迁移学习策略的 SAM 模型也能很好地适用于医学图像分割任务,模型代码和权重已开放。
Apr, 2023
本文使用 Meta AI Research 最近发布的 SAM 模型在医学成像领域的一个关键任务 —— 息肉分割中进行了性能评估,旨在为该领域的发展提供启示,并推动未来更多有趣的工作。
Apr, 2023
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