PHÂN VÙNG HÌNH ẢNH NỘI SOI POLYP TRỰC TRÀNG - THỰC TRẠNG VÀ MỘT SỐ HƯỚNG PHÁT TRIỂN
Nội dung chính của bài viết
Tóm tắt
Phân vùng hình ảnh y tế liên quan đến việc trích xuất các vùng được quan tâm trong hình ảnh. Với sự phát triển của công nghệ trí tuệ nhân tạo, các phương pháp phân vùng hình ảnh y tế đã đạt được những kết quả đáng mong đợi. Trong bài báo này, chúng tôi cung cấp một cái nhìn tổng thể về các phương pháp phân vùng hình ảnh nội soi polyp. Tiếp theo đó, các phương pháp này sẽ được đánh giá trên các tập dữ liệu tiêu chuẩn. Cuối cùng, chúng tôi thảo luận về những thách thức và các hướng phát triển trong tương lai của chủ đề nghiên cứu.
Từ khóa
CNN, transformer, polyp, phân vùng hình ảnh
Chi tiết bài viết
Tài liệu tham khảo
[2] M. Ganz, X. Yang and G. Slabaugh (2012), Automatic Segmentation of Polyps in Colonoscopic Narrow-Band Imaging Data, IEEE Transactions on Biomedical Engineering, vol.59, 2144-2151.
[3] O Ronneberger, P Fischer, T Brox (2015), U-Net: Convolutional Networks for Biomedical Image Segmentation, in Medical Image Computing and Computer-Assisted Intervention.
[4] Zongwei Zhou and Md Mahfuzur Rahman Siddiquee and Nima Tajbakhsh and Jianming Liang (2018), UNet++: A Nested U-Net Architecture for Medical Image Segmentation, Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support : 4th International Workshop, DLMIA 2018, and 8th International Workshop, ML-CDS 2018, held in conjunction with MICCAI 2018, Granada, Spain, S..., vol.11045, 3-11.
[5] Debesh Jha and Michael A. Riegler and Dag Johansen and Pål Halvorsen and Håvard D. Johansen (2020), DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation, 2020 IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS).
[6] D Jha, PH Smedsrud, MA Riegler, D Johansen, T De Lange, P Halvorsen, HD Johansen (2019), Resunet++: An advanced architecture for medical image segmentation, IEEE international symposium on multimedia (ISM).
[7] Fan, Deng-Ping; Ji, Ge-Peng; Zhou, Tao; Chen, Geng; Fu, Huazhu; Shen, Jianbing Shao, Ling (2020), PraNet: Parallel Reverse Attention Network for Polyp Segmentation, in MICCAI.
[8] Lou, Ange; Guan, Shuyue; Loew, Murray (2023), Caranet: Context axial reverse attention network for segmentation of small medical objects, Journal of Medical Imaging.
[9] B Dong, W Wang, DP Fan, J Li, H Fu, L Shao (2021), Polyp-pvt: Polyp segmentation with pyramid vision transformers, arXiv.
[10] Y Zhang, H Liu, Q Hu (2021), Transfuse: Fusing transformers and cnns for medical image segmentation, in Medical Image Computing and Computer Assisted Intervention, 2021.
[11] Debesh Jha, Pia H. Smedsrud, Michael A. Riegler, Pål Halvorsen, Thomas de Lange, Dag Johansen, Håvard D. Johansen (2020), Kvasir-SEG: A Segmented Polyp Dataset, in International Conference on Multimedia Modeling.
[12] Bernal J, Sánchez FJ, Fernández-Esparrach G, Gil D, Rodríguez C, Vilariño F (2015), WM-DOVA maps for accurate polyp highlighting in colonoscopy: Validation vs. saliency maps from physicians, Comput Med Imaging Graph.
[13] Tajbakhsh N, Gurudu SR, Liang J. (2016), Automated Polyp Detection in Colonoscopy Videos Using Shape and Context Information, IEEE Trans Med Imaging.
[14] Juan Silva, Aymeric Histace & Olivier Romain (2014), Toward embedded detection of polyps in WCE images for early diagnosis of colorectal cancer, International Journal of Computer Assisted Radiology and Surgery , p.283-293.
[15] C. Yang, X. Guo, M. Zhu, B. Ibragimov, Y. Yuan (2021), Mutual-Prototype Adaptation for Cross-Domain Polyp Segmentation, IEEE Journal of Biomedical and Health Informatics, vol.25, 3886-3897.
[16] A Vaswani, N Shazeer, N Parmar, J Uszkoreit, L Jones, AN Gomez, Ł Kaiser, I Polosukhin (2017), Attention is all you need, in Advances in neural information processing systems.