Consisaug:内窥镜图像分析中基于一致性的息肉检测增强方法
提出了一种新的增强的双尺度和交叉生成一致性学习框架,用于半监督息肉分割,通过整合不同分辨率的交叉级相邻层来增强特征表达能力,采用尺度增强的一致性约束来处理形状尺寸和位置的变异,并通过交叉分段图重建原始和扰动图像来提高分割性能。
Dec, 2023
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
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
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
结直肠癌是世界上最常见的癌症之一。本文描述了 2022 年 EndoVis 挑战赛中的人工结直肠三维重建问题及其解决方案的研究成果,并展示了虚拟结直肠镜检查中深度预测问题的可靠解决方案,同时指出姿态估计问题仍然是一个待解决的研究方向。
Jul, 2023
通过使用新颖的 ADSNet 架构,本论文针对结肠镜图像中存在的肿瘤形状、颜色、条件以及与周围环境相似的问题,改进了肿瘤分割性能,提高了肿瘤图像分割任务的实验结果。
May, 2024
通过使用 3D 技术和生成对抗网络相结合产生逼真的合成图像,我们提出了 CUT-seg,将分割模型和生成模型相互训练以生成逼真图像并学习肠息肉分割。我们利用最新的单向翻译模型,因为它们使用的内存显著较少,可以在训练环节中添加分割模型。相较于其他内存密集型图像转换方法需要两阶段训练,CUT-seg 表现更好,计算成本更低,并且只需要一个真实图像和零个真实标注就能在五个真实肠息肉分割数据集上取得有希望的结果。作为本研究的一部分,我们发布了 Synth-Colon,一个完全合成的数据集,包括 20000 个逼真的结肠图像以及有关深度和 3D 几何的其他细节。
Jul, 2023