研究使用新的损失函数: 类距加权交叉熵(CDW-CE)，从而更好地训练用于测量溃疡性结肠炎内窥镜活动的评分系统的深度学习模型，该方法考虑到分类之间的距离和顺序，从而在实验评价和领域专家中优于传统的分类交叉熵损失和其他常用损失函数。

Feb, 2022

本研究提出了一种新的自我监督学习方法，即patch-level instance-group discrimination with pretext-invariant representation learning (PLD-PIRL)，通过该方法可以更准确、更稳健地检测肠炎患者黏膜炎症细微的变化，相较于基准监督学习网络和现有的一些自我监督学习方法，本方法表现出更好的准确性和鲁棒性。

Jul, 2022

本文提出了一个新方法，即基于补充角度余弦相似度度量的补丁水平实体群差异化方法，它使得模型能够学习将类似的代表性补丁聚类在一起，从而提高它们在不同类别之间的分离能力。实验结果表明，我们的方法优于基线架构，对分类、检测和分割任务的准确度分别提高了4%、2%和3%。此外，我们还证明了我们的方法相对于所有SOTA方法具有更好的泛化性，我们的泛化性评估提高了近7%。

May, 2023

本文介绍了一种可以应用于内窥镜视频分析的基础模型Endo-FM，其使用全局和局部视图进行自监督下预训练，并能够通过微调来应用于不同任务，其优于当前的自监督预训练和适配器转移学习方法。

Jun, 2023

自监督学习(SSl)在计算机视觉中取得了重要突破, 在生物医学中具有重要作用, 特别是在需要高度专业知识的数据注释领域。本研究使用先进的SSL框架，即Masked Siamese Networks(MSNs)，对内窥镜视频分析进行研究，以检测和治疗感染、慢性炎症性疾病或癌症。我们构建了大规模的无标签内窥镜视频数据集，用于训练MSNs，以充分利用SSL的优势，并通过有限的注释数据集进行二次训练，从而在内窥镜基准测试中实现了最先进的性能，如腹腔镜和结肠镜手术阶段识别以及结肠镜息肉表征。此外，我们实现了注释数据量的50％减少，同时不降低性能。因此，我们的工作证明了SSL在内窥镜检查中可以大大减少对注释数据的需求。

Aug, 2023

通过基于内视镜技术的神经网络模型，我们开发了一个可以在溃疡性结肠炎的内视镜影像中区分组织学缓解/活动的特定神经网络模型，有助于加速临床组织学诊断。

Aug, 2023

通过使用小型真实内窥镜图像数据集训练，生成大量合成样本，然后使用主动学习方法选择最有信息量的样本进行分类器训练的主动学习基于生成扩增方法，在公开可用的内窥镜图像数据集上展示了该方法的有效性，结果显示使用合成样本与主动学习相结合相比只使用原始标记样本的基线分类性能（68.1%）提高到了74.5%的Quadratic Weighted Kappa (QWK)评分，另一个观察结果是仅使用真实数据达到相同性能需要三倍的图像数量。

Nov, 2023

本研究针对传统内窥镜图像分析中主观性强的问题，提出了一种组合卷积神经网络（CNN）和Transformer的混合模型，以提高分类性能。实验结果表明，该模型在GastroVision和Kvasir-Capsule数据集上的分类效果优于其他模型，展示了其在早期检测胃肠道异常方面的潜力。

Aug, 2024

本研究解决了自动化图像严重度估计中因模糊严重度而导致的高标注成本问题。论文提出了一种深度贝叶斯主动学习排序的方法，自动选择高学习效率的图像对进行相对标注。实验结果表明，该方法在严重类别不平衡的情况下仍能显著提高性能。

Sep, 2024

本研究解决了自动图像严重程度评估中训练数据稀缺的问题，特别是在相对注释的应用方面。提出的深度贝叶斯主动学习排序方法能够自动选择高效的图像对进行相对严重程度注释，从而减少了传统定量注释所需的大量工作。实验表明，该方法在面对严重类别不平衡的情况下，仍能实现高效的性能提升。

Sep, 2024