基于深度学习的合成窄带成像息肉检测改进方法
图像与视频处理
2024-01-25 v1 人工智能
计算机视觉与模式识别
摘要
为了应对结直肠癌（CRC）日益增长的发病率，息肉检测和切除的筛查项目已证明其有效性。结肠镜检查被认为是 CRC 筛查中表现最佳的程序。为了简化检查，已开发出基于深度学习的自动息肉检测方法用于常规白光成像（WLI）。与 WLI 相比，窄带成像（NBI）可以在结肠镜检查期间改善息肉分类，但需要特殊设备。我们提出了一种基于 CycleGAN 的框架，将使用常规 WLI 捕获的图像转换为合成窄带成像（SNBI），作为一种预处理方法，以在 NBI 不可用时改善 WLI 上的目标检测。本文首先表明，与相对相似的 WLI 数据集相比，在 NBI 上可以实现更好的息肉检测结果。其次，实验结果表明，与原始 WLI 相比，我们提出的模态转换在由 WLI 生成的 SNBI 图像上能够实现更好的息肉检测。这是因为我们的 WLI 到 SNBI 转换模型能够增强生成的 SNBI 图像中对息肉表面模式的观察。
引用
@article{arxiv.2401.13315,
title = {Deep Learning for Improved Polyp Detection from Synthetic Narrow-Band Imaging},
author = {Mathias Ramm Haugland and Hemin Ali Qadir and Ilangko Balasingham},
journal= {arXiv preprint arXiv:2401.13315},
year = {2024}
}