arXiv 论文提出基于孪生网络的息肉匹配方法
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇提交至 arXiv 的论文针对结肠胶囊内镜分析中的重复计数问题，提出用对比学习与孪生网络判断多张图像是否属于同一息肉。训练数据来自丹麦 CareForColon2015 试验，包含经临床医生标注的 5,103 对同一息肉图像和 5,103 对不同息肉图像。模型以 ResNet18/34/50、DenseNet121 和 EfficientNet B0/B3 为骨干，采用余弦向量距离做分类，报告分类准确率最高 92%，AUC 接近 0.98。作者认为该方法有望减少息肉过度计数、改善患者风险分层并减少不必要的随访结肠镜。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
结肠胶囊内镜会产生大量图像，分析时的一项关键困难是判断多张图像是否拍到同一枚息肉。若把同一枚息肉重复计数，会高估息肉数量，进而影响临床干预决策；同时，内镜医生也可能因为无法精确定位重复息肉而进行时间更长的随访结肠镜检查。论文把这一环节作为自动化目标，试图用模型替代人工比对。
方法与数据
作者采用对比学习思路，构建孪生网络结构，让模型学习两张图像之间的相似性。训练数据取自丹麦 CareForColon2015 试验，由有经验的临床医生标注，正负样本各 5,103 对，即同一息肉图像对与不同息肉图像对数量相同。骨干网络测试了 ResNet18、ResNet34、ResNet50、DenseNet121 以及 EfficientNet B0 和 B3 多种规格，分类阶段使用余弦向量距离作为度量。
结果与意义
实验报告的分类准确率最高达到 92%，AUC 接近 0.98。作者据此提出，自动息肉匹配可能减少息肉过度计数、帮助改善患者风险分层，并减少不必要的随访结肠镜检查。论文同时归入计算机视觉与人工智能分类，编号为 arXiv:2611.04624。
为什么值得看
医疗影像中的重复计数是实际痛点，论文给出了数据集规模、骨干网络与准确率、AUC 等可核对的指标。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。