深度学习之息肉分割
<h2 id="深度学习课题总结">深度学习课题总结</h2><h3 id="课题目标">课题目标：</h3>
<p>基于 3D 重建的早期结肠肿瘤分割。</p>
<h3 id="背景">背景：</h3>
<p>结肠癌是全球 第三大常见致死癌症，每年新增患者 100-200 万，死亡约 70 万。<br>
结肠镜是结肠癌筛查的 金标准，目标是检测潜在癌变的息肉：</p>
<ol>
<li>高危息肉： 大小超过 1 cm，被 AGA 协会视为高风险肿瘤</li>
<li>恶变概率高： 大息肉最终发展为肿瘤的比例显著<br>
然而，当前诊断依赖于医生经验，存在较高误诊率。一项研究显示，医生对息肉大小估计错误的概率高达 50%，影响风险评估和治疗方案。</li>
</ol>
<h3 id="动机">动机：</h3>
<ol>
<li>潜在威胁： 早期结肠癌源于粘膜病变（如腺瘤性息肉），由于缺乏早期诊断，许多患者发现时已处于晚期（Stage IV），治疗效果有限。</li>
<li>可行预防： 提高息肉检测率可显著降低癌症发生率，每 增加 1% 的检测率，可减少 3% 的结肠癌发病率。</li>
</ol>
<h3 id="目标">目标：</h3>
<p>开发基于 深度学习的 3D 重建框架，准确分割结肠镜图像中的可疑肿瘤，实现：</p>
<ol>
<li>对息肉 不规则形状与模糊边界的风险量化</li>
<li>为息肉活检决策提供 客观支持，减少医生主观判断偏差</li>
<li>对高风险病变区域 最大程度降低漏诊率</li>
</ol>
<h3 id="挑战">挑战：</h3>
<ol>
<li>息肉形状高度不规则</li>
<li>息肉边界模糊，分割困难</li>
</ol>
<h3 id="相关工作">相关工作：</h3>
<p><img alt="相关工作" loading="lazy" src="https://img2024.cnblogs.com/blog/3417030/202507/3417030-20250705211003872-192614896.png" class="lazyload"></p>
<h3 id="实验">实验：</h3>
<ol>
<li>实验流程设计：<br>
使用 U-Net 对图像进行 2D segmentation<br>
使用 NeRF 进行 3D reconstruction<br>
将重建结果投影回 2D，与 2D segmentation 结果比较，突出 3D reconstruction 的必要性</li>
<li>数据集：<br>
Kvasir-SEG： 1000 张息肉图片，提供像素级 segmentation masks<br>
LDPolypVideo：160 个结肠镜视频，40266 帧（560x480）带息肉标注的图片，提供原始视频文件。</li>
<li>实验过程：<br>
3.1 Kvasir-SEG 2D 分割:<br>
模型：U-Net<br>
Dice = 0.9082，IoU = 0.8684<br>
3.2 Kvasir-SEG 3D 重建：<br>
结果不理想，原因：Kvasir-SEG 图片非连续帧，缺少相机位姿信息，导致 3D reconstruction 失败。<br>
3.3 LDPolypVideo 数据集:<br>
使用 26000+ 张图片训练 U-Net<br>
训练集结果：Dice = 0.9429，IoU = 0.90402<br>
3.4 COLMAP 3D 重建：<br>
对单个视频进行 feature extraction、matching 和 reconstruction<br>
成功生成 3D 点云</li>
</ol>
<h3 id="课题结果">课题结果：</h3>
<p>由于曾经在期末答辩中，息肉检测与分割课题被评审认为研究已趋成熟，教授决定调整你的研究方向，指派你参与 MIDOG 2025 竞赛，作为下一阶段主要课题。</p><br><br>
来源：https://www.cnblogs.com/waterme123/p/18967859
頁:
[1]