Aug, 2024

手术RGB和高光谱图像语义分割中的几何领域转变处理

HTML
PDF
TL;DR本研究解决了手术图像数据中的几何领域迁移问题，首次分析了当面对几何超出分布数据时，先进语义分割模型的表现。通过提出一种名为“器官移植”的增强技术，研究显示其在RGB和高光谱数据上的性能提升分别达到67%和90%，为改善手术场景分割的通用性提供了有效工具。
发现论文，激发创造
  • 利用卷积神经网络提高医学图像分割中的校准性和超出分布检测能力

    本研究采用多任务学习的方法解决了小型医学图像数据集训练卷积神经网络模型的挑战性问题，并通过对多个数据集进行训练，以识别不同情境下的感兴趣器官并提高模型输出的准确性和可靠性。同时，基于卷积神经网络特征图的频谱分析方法在检测测试图像的“出域”数据方面，表现出明显优势。

    Apr, 2020

  • 利用一对多合成技术将手术仪器分割推广到未知域

    本文研究使用深度学习技术处理外科手术的数据，并通过数据合成技术建立一个更具普适性的数据集，提高模型的泛化性能，实现在真实数据领域取得了显著的成果。

    Jun, 2023

  • AdaptiveSAM：用于手术场景分割的SAM调优方法

    手术场景分析中使用人工智能的分割是一个基本问题。然而，这个领域内固有的数据稀缺性使得为该任务调整传统分割技术变得具有挑战性。因此，我们提出了一种名为AdaptiveSAM的改进模型，可以快速有效地适应新的数据集，并可以使用文本提示进行分割，其在各种医学图像数据集上优于当前最先进的方法。

    Aug, 2023

  • 探索非配对图像翻译中的语义一致性，以生成外科应用数据

    探索了无配对图像翻译技术在手术应用中生成具有语义一致性数据的可行性，并发现结构相似性损失和对比学习的简单组合方法取得了最有希望的结果。定量分析表明，使用这种方法生成的数据具有更高的语义一致性，可以更有效地用作训练数据。

    Sep, 2023

  • 外科视频的动态场景图表示

    通过使用场景图和图卷积网络对手术视频进行建模和分析，研究证明其在自动化手术工作流识别方面具有竞争性能，并对模型决策的解释性和稳健性提供了关键的临床支持。

    Sep, 2023

  • 基于超光谱成像和图神经网络的稳健肿瘤分割

    利用Hyperspectral Imaging和Machine Learning相结合的方法，采用Graph Neural Networks以及Convolutional Neural Network，通过对局部图像特征和空间上下文信息的建模，实现在肿瘤和健康组织之间进行准确分割的目标。

    Nov, 2023

  • 手术场景的潜在图表示优化及零样本领域转移

    通过多中心性能基准测试，我们研究了面向未见域泛化的以目标为中心的方法，确定了关键的性能因素，并提出了一种优化方法，明显优于现有方法。

    Mar, 2024

  • 对无监督手术器械分割中低质量光流的重新思考

    通过我们的方法，在低质量光流的困境下，从光流直接提取边界、选择性地丢弃质量较差的帧，并使用可变帧率的微调过程，我们在EndoVis2017 VOS数据集和Endovis2017 Challenge数据集上展现了有希望的结果，分别达到了0.75和0.72的平均交并比。我们的研究结果表明，我们的方法可以大大减少临床环境中手动标注的需求，并可能促进新数据集的注释过程。

    Mar, 2024

  • 无人工干预的外科仪器分割重访：图划分视角

    本研究针对外科图像中的仪器分割问题，提出了一种无监督的方法，通过将视频帧分割视为图划分问题，显著降低了对人工标注的依赖。使用自监督预训练模型提取特征，并通过拉普拉斯矩阵实现有效的分割，不仅在多个数据集上表现优异，还展示了其在临床应用上的潜在影响。

    Aug, 2024

  • 手术内光谱相机的深度照明校准

    本研究解决了超光谱成像技术在手术中的临床应用受限于照明条件变化的问题。我们提出了一种基于学习的自动校准方法，能够在手术中实时准确地调整超光谱图像，从而取代繁琐的白平衡校准过程。我们的研究显示，此方法在多种环境下表现优越，具备高效性和广泛的适应性，有望成为临床手术中超光谱成像的核心组件。

    Sep, 2024