arXiv 1608.067092016-08-24cs.CV

使用CNN特征在NBI内窥镜检查中进行计算机辅助结直肠肿瘤分类

Computer-Aided Colorectal Tumor Classification in NBI Endoscopy Using CNN Features

Hiroshima University（广岛大学）；Hiroshima General Hospital of West Japan Railway Company（西日本旅客铁道株式会社广岛综合医院）；Hiroshima University Hospital（广岛大学医院）

Toru Tamaki, Shoji Sonoyama, Tsubasa Hirakawa, Bisser Raytchev, Kazufumi Kaneda, Tetsushi Koide, Shigeto Yoshida, Hiroshi Mieno, Shinji Tanaka

备注：: 5 pages, FCV2016

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在本文中，我们报告的结直肠NBI内窥镜图像识别的结果，使用卷积神经网络（CNN）提取的特征。在这项比较研究中，我们从不同的CNN模型中提取不同层的特征，然后训练线性SVM分类器。具有10倍交叉验证的实验结果表明，来自前几个卷积层的特征足以实现类似的性能（即，识别率为95%），具有非CNN局部特征，如视觉袋词，Fisher向量和VLAD。

英文摘要：

In this paper we report results for recognizing colorectal NBI endoscopic images by using features extracted from convolutional neural network (CNN). In this comparative study, we extract features from different layers from different CNN models, and then train linear SVM classifiers. Experimental results with 10-fold cross validations show that features from first few convolution layers are enough to achieve similar performance (i.e., recognition rate of 95%) with non-CNN local features such as Bag-of-Visual words, Fisher vector, and VLAD.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

通过结构化跨模态表示一致性实现临床辅助的结直肠息肉识别

Toward Clinically Assisted Colorectal Polyp Recognition via Structured Cross-modal Representation Consistency

Shenzhen Research Institute of Big Data（深圳大数据研究院）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Longgang District People’s Hospital of Shenzhen（深圳市龙岗区人民医院）

结肠直肠息肉的分类是一项重要的临床检查。为了提高分类准确率，大多数计算机辅助诊断算法采用窄带成像（NBI）来识别结直肠息肉。然而，NBI在实际临床场景中通常遭受遗漏利用，因为当已经通过使用白光（WL）图像检测到息肉时，该特定图像的采集需要手动切换光模式。为了避免上述情况，我们提出了一种新的方法，直接实现准确的白光结肠镜图像分类进行结构化的跨模态表示一致性。在实践中，一对多模态图像，即NBI和WL，被馈送到共享的Transformer中以提取分层特征表示。然后，采用一种新设计的空间注意力模块（SAM）计算类标记和补丁标记之间的相似度%，从多个层次的特定模态图像。通过在不同级别上对齐成对的NBI和WL图像的类标记和空间注意力图，Transformer实现了保持上述两种模态的全局和局部表示一致性的能力。大量的实验结果表明，该方法优于最近的研究与利润，实现了多模态预测与一个单一的Transformer，而大大提高了分类精度时，只有WL图像。

2022-06-24cs.CV

基于区域对齐的白光结肠镜图像大肠息肉分类

Colorectal Polyp Classification from White-light Colonoscopy Images via Domain Alignment

Shenzhen Research Institute of Big Data（深圳大数据研究院）；Sun Yat-sen University（中山大学）；The Chinese University of Hong Kong(Shenzhen)（香港中文大学（深圳））；Longgang District People’s Hospital of Shenzhen（深圳市龙岗区人民医院）

大肠息肉的鉴别诊断是临床重要的检查方法。需要计算机辅助诊断系统来辅助从结肠镜图像进行准确诊断。大多数先前的研究尝试使用窄带成像（NBI）或其他增强图像来开发用于息肉分化的模型。然而，由于成像技术的落后，这些模型在临床工作中的广泛应用受到限制。因此，我们提出了一个新的框架，基于教师-学生架构的准确的结肠直肠息肉分类（CPC），通过直接使用白光（WL）结肠镜检查图像。在实践中，在训练期间，辅助NBI图像被用于训练教师网络并引导学生网络从WL图像获得更丰富的特征表示。特征转移通过领域对齐和对比学习实现。最终，最终的学生网络能够仅从WL图像中提取对齐的特征，以促进CPC任务。此外，我们发布了第一个公开的包含WL-NBI对的配对CPC数据集，用于对齐训练。定量和定性评价结果表明，该方法在CPC中的性能优于以往的方法，准确率提高了5.6%，速度非常快。

2021-08-05cs.CV

无需配对的群体级知识蒸馏用于白光内镜中胃肠道病变的鲁棒分类

Pairing-free Group-level Knowledge Distillation for Robust Gastrointestinal Lesion Classification in White-Light Endoscopy

本文提出PaGKD，一种无需配对的群体级知识蒸馏框架，通过未配对的WLI和NBI数据实现跨模态学习，显著提升胃肠道病变分类性能。

2026-01-14cs.CV

ERCPMP-Gx：用于结直肠息肉病形态学、组织病理学和基因组学表征的内镜图像与视频数据集

ERCPMP-Gx: Endoscopic Image and Video Dataset for Morphological, Histopathological, and Genomic Characterization of Colorectal Polyposis

Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学）；Familial & Hereditary Cancers Institute（家族与遗传性癌症研究所）；Shiraz University of Medical Sciences（设拉子医科大学）；DataBioX Research（DataBioX研究院）

本文介绍ERCPMP-Gx，一个结合内镜、组织病理与基因组数据、面向结直肠息肉病AI识别与分类的患者级公开数据集，含160张图像及视频，约80%为遗传性病例。

2026-09-18cs.AIcs.CV

基于深度学习和条件随机场的传统内窥镜深度估计和地形重建

Deep Learning and Conditional Random Fields-based Depth Estimation and Topographical Reconstruction from Conventional Endoscopy

Johns Hopkins University（约翰霍普金斯大学）

结直肠癌是世界范围内癌症死亡的第四大原因，在美国是第二大原因。通过光学结肠镜检查识别和切除癌前病变可以降低结直肠癌的风险。不幸的是，传统的结肠镜检查错过了超过20%的息肉，应该被删除，部分原因是病变地形对比度差。由于内窥镜的尺寸限制和粘膜的变形，在结肠镜检查期间成像组织形貌是困难的。大多数现有的方法进行几何假设或纳入先验信息，这限制了准确性和灵敏度。在本文中，我们提出了一种避免这些限制的方法，使用联合深度卷积神经网络-条件随机场（CNN-CRF）框架。估计的深度用于从单个图像重建结肠表面的形貌。我们在合成数据上对CNN中的CRF的一元和成对势函数进行训练，所述合成数据通过开发内窥镜相机模型并渲染超过100，000幅解剖学上真实的结肠图像而生成。我们验证了我们的方法与真正的内窥镜图像从猪结肠，转移到一个合成类域，与地面真理从注册的计算机断层扫描测量。CNN-CRF方法估计深度，对于合成内窥镜图像的相对误差为0.152，对于真实内窥镜图像的相对误差为0.242。我们表明，估计的深度图可用于重建传统的结肠镜图像的粘膜的地形。这种方法可以很容易地集成到现有的内窥镜系统，并提供了一个基础，以改善计算机辅助检测算法的检测，分割和分类的病变。

2017-11-27cs.CV

实时的结直肠肿瘤分型系统的研制

Development of a Real-time Colorectal Tumor Classification System for Narrow-band Imaging zoom-videoendoscopy

Hiroshima University（广岛大学）；Hiroshima General Hospital of West Japan Railway Company（西日本铁路公司广岛综合医院）；Hiroshima University Hospital（广岛大学医院）

结肠直肠内窥镜检查对于结肠直肠癌的早期发现和治疗非常重要，并且在世界范围内使用。计算机辅助诊断（CAD）系统，提供了一个客观的措施，内镜医师在大肠内窥镜检查将是非常有价值的。在这项研究中，我们描述了一个新开发的CAD系统，提供实时的【形】客观措施。我们的系统从内窥镜系统捕获视频流并将其传输到台式计算机。然后，通过预先训练的分类器对捕获的视频流进行分类，并将结果显示在监视器上。实验结果表明，我们开发的系统有效地工作在实际的内窥镜检查和医学意义。

2016-12-21cs.CV

更多相关论文收起更多论文

EndoUDA：一种用于内窥镜成像的模态无关分割方法

EndoUDA: A modality independent segmentation approach for endoscopy imaging

University of Oxford（牛津大学）；Big Data Institute（大数据研究所）；NIHR Oxford Biomedical Research Centre（英国国家健康研究所牛津生物医学研究中心）；John Radcliffe Hospital（约翰·拉德克利夫医院）

胃肠道（GI）癌症前体需要频繁监测患者的风险分层。自动分割方法可以帮助更准确地评估风险区域，并协助治疗程序甚至切除。在临床实践中，除了传统的白光成像（WLI）之外，还使用了窄带成像（NBI）和荧光成像等补充模式。虽然，今天大多数分割方法都是有监督的，并且只集中在单个模态数据集上，但这项工作利用了一种目标独立的无监督域自适应（UDA）技术，该技术能够推广到看不见的目标模态。在这种情况下，我们提出了一种新的基于UDA的分割方法，该方法将变分自动编码器和U-Net与一个共同的EfficientNet-B4骨干耦合在一起，并使用联合损失对目标样本进行潜在空间优化。我们表明，我们的模型可以推广到看不见的目标NBI（目标）模态时，只使用WLI（源）模态训练。我们对上消化道和下消化道内窥镜数据的实验表明，我们的方法相比，天真的监督方法和国家的最先进的UDA分割方法的有效性。

2021-07-12cs.CVcs.LGeess.IV

迈向人工智能在结肠胶囊内镜路径中的全面整合

Towards Full Integration of Artificial Intelligence in Colon Capsule Endoscopy's Pathway

University of Southern Denmark（南丹麦大学）；Odense University Hospital（欧登塞大学医院）

本研究通过开发息肉识别、表征和大小估计的AI网络，显著提升了结肠胶囊内镜的自动化诊断能力，推动了AI在该路径中的全面整合。

2024-06-14cs.CVcs.LGeess.IV

卷积神经网络用于息肉分类的比较研究

A Comparative Study on Polyp Classification using Convolutional Neural Networks

School of Engineering, University of Kansas（堪萨斯大学工程学院）；The First Hospital of Jilin University（吉林大学第一医院）；The University of Kansas Medical Center（堪萨斯大学医学中心）

结直肠癌是美国男性和女性中诊断出的第三大常见癌症。大多数结直肠癌开始于结肠或直肠的内层生长，称为“息肉”。并非所有的息肉都是癌性的，但有些会发展成癌症。早期发现和识别息肉的类型对于预防癌症和改变结果至关重要。然而，由于内窥镜检查的不同照明条件、不同的纹理、外观和息肉之间的重叠形态，息肉的视觉分类是具有挑战性的。更重要的是，胃肠病学家对息肉模式的评价是主观的，导致观察者之间的一致性较差。深度卷积神经网络已被证明在各种对象类别的对象分类中非常成功。在这项工作中，我们比较了息肉分类的最先进的一般对象分类模型的性能。我们使用由两种类型的息肉组成的157个视频序列的数据集，端到端地训练了总共六个CNN模型：增生性和腺瘤性。我们的研究结果表明，最先进的CNN模型可以成功地对息肉进行分类，其准确性与胃肠病学家报道的相当或更好。本研究的结果可以指导未来息肉分类的研究。

2020-07-12cs.CV

ASPS：用于息肉分割的增强型 Segment Anything 模型

ASPS: Augmented Segment Anything Model for Polyp Segmentation

University of Science and Technology of China（中国科学技术大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；Northwestern Polytechnical University（西北工业大学）；Beijing Technology and Business University（北京工商大学）

针对 SAM 在息肉分割中忽略局部细节且分布外性能差的问题，提出 ASPS 方法，通过 CFA 融合 CNN 与 ViT 特征、UPR 利用 IoU 分数缓解不确定性，有效提升分割性能。

2024-06-30cs.CVeess.IV