Sep, 2024

TS检测器：用于结肠镜视频检测的时空自校正协同学习

HTML
PDF
TL;DR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。
发现论文，激发创造
  • Y-Net：用于息肉检测的深度卷积神经网络

    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

  • 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

  • 一项基于计算机视觉挑战的深度学习息肉检测和分割方法通用性评估

    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

  • YONA:仅一个相邻参考帧即可精准快速地检测视频息肉

    本文提出了YONA算法，即仅需要一个相邻参考帧的视频息片段检测框架，通过自适应分配前景和背景模板样本来解决结肠镜视频中摄像机运动场景引起的视频颤动问题，同时通过交叉帧对比学习和引导对齐来大幅提高模型的性能和速度。

    Jun, 2023

  • 自监督结肠镜息肉重新识别

    提出了一种基于注意力机制、自我监督机器学习模型的结直肠息肉追踪方法，用于聚合来自多个镜头的息肉数据，为CADx任务提供帮助。

    Jun, 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

  • REAL-Colon: 结肠镜检查中开发真实世界的AI应用的数据集

    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

  • 预测人工智能结肠镜模型对未知数据的概括能力

    使用自监督方法的带掩码连体网络（MSN）可以预测未标记数据上的CADe检测器性能，并能够检测临床数据中的分布偏移，具有医学图像领域的潜在应用。

    Mar, 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

  • SALI: 结肠镜视频息肉分割的短期对齐与长期交互网络

    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%。

    Jun, 2024