導讀 研究人員開發(fā)了一對模塊,可以促進人工神經(jīng)網(wǎng)絡的使用,以識別結腸鏡檢查圖像中潛在的癌性生長,而結腸鏡檢查圖像傳統(tǒng)上受到結腸鏡檢查插入...
研究人員開發(fā)了一對模塊,可以促進人工神經(jīng)網(wǎng)絡的使用,以識別結腸鏡檢查圖像中潛在的癌性生長,而結腸鏡檢查圖像傳統(tǒng)上受到結腸鏡檢查插入和旋轉過程本身產(chǎn)生的圖像噪聲的困擾。
6 月 30 日,一篇描述該方法的論文發(fā)表在《CAAI 人工智能研究》雜志上。
結腸鏡檢查是檢測結腸內壁(也稱為大腸)內結直腸增生或“息肉”的黃金標準。通過分析結腸鏡攝像頭拍攝的圖像,醫(yī)療專業(yè)人員可以在息肉擴散并導致直腸癌之前及早識別出息肉。
識別過程涉及所謂的“息肉分割”,即區(qū)分圖像中屬于息肉的片段與圖像中屬于結腸粘膜、組織和肌肉的正常層的片段。
傳統(tǒng)上,人類執(zhí)行整個圖像分析,但近年來,息肉分割任務已成為計算機算法的權限,這些算法對圖像中出現(xiàn)的內容進行逐像素標記。為此,計算模型主要依賴于結腸和息肉的特征,例如紋理和幾何形狀。
南開大學計算機科學學院計算機科學家、該論文的主要作者董波說:“這些算法對醫(yī)療專業(yè)人員來說是一個很大的幫助,但對他們來說,定位息肉的邊界仍然是一個挑戰(zhàn)。”
近年來,隨著深度學習的應用,息肉分割相對于較為粗糙的傳統(tǒng)方法取得了長足的進步。但即便如此,仍然存在兩個主要挑戰(zhàn)。
首先,息肉分割深度學習工作中存在大量的圖像“噪聲”。拍攝圖像時,結腸鏡鏡頭在腸道內旋轉,從各個角度拍攝息肉圖像。這種旋轉運動通常會導致運動模糊和反射問題。這會模糊息肉的邊界,從而使分割任務變得復雜。
標簽:
免責聲明:本文由用戶上傳,如有侵權請聯(lián)系刪除!