Jun, 2024

SALI: 结肠镜视频息肉分割的短期对齐与长期交互网络

PDF
TL;DR该研究论文提出了一种名为 SALI 网络的视频分割方法，通过增强邻近特征的一致性和重建可靠的息肉表示，以改善内窥镜检查中肠镜视频息肉分割的准确性。实验证明，SALI 网络在空间差异和低视觉线索的情况下表现出很强的鲁棒性，相比现有的方法，在大规模数据集上提高了 Dice 指数分别为 2.1%、2.5%、4.1% 和 1.9%。
colonoscopy videospolyp segmentationrectal cancer diagnosissali networkvideo segmentation
发现论文，激发创造
  • 多尺度信息共享和选择网络结合边界注意力用于息肉分割

    通过多尺度信息共享和选择网络 (MISNet) 解决结直肠镜图像中息肉分割的问题，提高分割结果的准确性和清晰度。

    May, 2024

  • SSTFB: 利用自监督预训练和时间自注意力以特征分支实现实时视频息肉分割

    通过自监督学习作为辅助任务以及空间 - 时间自注意机制，我们提出了一种视频息肉分割方法，以改进表示学习。我们的端到端配置和联合优化损失使网络能够在视频中学习更有区分性的上下文特征。实验结果表明，与多个最先进方法相比，我们的方法有所改进。我们的消融研究还证实了所提出的端到端训练选择相比最近提出的方法 PNS+ 和 Polyp-PVT，在 Dice 相似系数和交并比方面，网络准确性提高了 3% 以上，并分别与之相比提高了近 10%。对之前未见的视频数据的结果表明，所提出的方法具有泛化能力。

    Jun, 2024

  • Polyp-SAM: 基于 Transfer Learning 的息肉分割模型

    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

  • 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

  • 多标签时序网络对结肠镜检查视频进行语义解析

    本研究提出了一种用于结肠镜视频的自动语义分析方法，包括使用新型 DL 多标签时间分割模型在监督和无监督环境下进行训练，通过对 300 多个带标注的结肠镜视频测试集进行评估，并使用消融研究来探索各种方法组件的相对重要性。

    Jun, 2023

  • 浅层注意力网络用于息肉分割

    通过设计颜色交换操作，浅层注意力模块和概率矫正策略等方法，我们提出了用于息肉分割的 Shallow Attention Network（SANet），实验证明其在五个具有挑战性的基准测试上都比当前最先进的方法表现更好，并且速度约为 72FPS。

    Aug, 2021

  • 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

  • 针对部分视频复制检测的视频相似度和对齐学习

    提出了 Video Similarity and Alignment Learning（VSAL）方法，通过模拟时空相似性和部分对齐来实现视频相似性学习，从而提高视频复制检测的准确率。通过在 VCDB 核心数据集上测试，证明 VSAL 的 F1 得分高于现有模型，并通过在 FIVR-200k 数据集上添加新的片段级注释来验证在更具挑战性的情况下的有效性。

    Aug, 2021

  • 基于模型引导协同学习网络的基于示意标注的息肉分割

    通过在 Collaborative Learning Network 中使用 Segment Anything Model，以及基于已生成的 scribble 注释的改进模块、特征聚合模块和图像级过滤机制等策略，本文提出了适用于弱监督息肉分割的 novel SAM-guided Collaborative Learning Network (SAM-CLNet) 方法，实验结果表明其优于现有的弱监督分割方法。

    Dec, 2023

  • MAST：具有混合注意力孪生变换器的视频息肉分割

    通过利用混合注意力 Siamese Transformer（MAST）显式地建模长距离时空关系进行精确的息肉分割，本研究在大规模 SUN-SEG 基准测试中展示了 MAST 相比先进竞争对手的卓越性能。

    Jan, 2024