本研究提出了Endo-CLIP框架，旨在解决结肠镜图像分析中的背景干扰和医学术语模糊问题。实验结果表明，该框架在息肉检测与分类方面优于现有方法，准确性更高。

本研究提出了PolypSegTrack模型，旨在提高结肠镜检查中腺瘤的早期检测、分割、分类和跟踪能力。该模型通过条件掩码损失和无监督跟踪模块，显著优于现有技术。

本研究解决了早期检测结直肠癌（CRC）中息肉识别的挑战，采用YOLOv11深度学习模型提高检测准确率。研究发现，YOLOv11在使用不同大小模型时，对于不同版本的数据集（原始及增强数据集）均展现出显著的性能提升，具有广泛的应用潜力。

本文研究图像目标导航，提出了一种基于拓扑表示法和深度学习的解决方案，显著提升了长时间任务的性能。开发的SLAM系统在内窥镜图像重建中表现优异，ColonFormer网络架构能够精确分割息肉。此外，研究提出结合合成与真实数据的新方法，提升深度图预测的准确性，推动内窥镜自动导航的发展。

本研究提出了多种新方法，通过深度学习实现结肠镜图像的深度估计和三维重建，显著提升了结肠息肉的识别和重建精度。研究成果包括合成数据集Synth-Colon和多任务学习框架ColonNeRF，为结直肠癌的筛查和治疗提供了更高质量的支持。

本文介绍了多种深度学习方法用于结肠镜图像中的息肉分割，包括MISNet、Poly-SAM和SANet等。这些方法通过自监督学习、迁移学习和新型模型设计，显著提高了分割的准确性和清晰度。实验结果表明，这些方法在多个基准测试中表现优异，具备良好的泛化能力，强调了自动化息肉检测的重要性。

本文介绍了多种新型深度学习模型，如IC-PolypSeg、EFA-Net和MLFF-Net，用于结肠镜图像中息肉的分割与检测。这些模型通过改进特征提取和学习能力，提高了分割的准确性和效率，旨在提升结直肠癌的早期诊断效果。

本文介绍了多种基于深度学习的医学图像分割方法，如自动肺栓塞分割、结肠镜图像病变定位和视网膜血管分割。这些方法通过创新的网络架构和算法，提高了分割准确性，减少了对标注数据的依赖，展现了在临床诊断中的潜力。

通过使用大型语言和视觉模型，EndoKED提出了一种用于深度知识提取和蒸馏的数据挖掘范式。通过验证多中心原始结肠镜记录数据集，证明其在训练息肉检测和分割模型方面具有卓越性能。EndoKED预训练的视觉骨干为光学活检提供了数据高效和可推广的学习，实现了专家级表现。

Colorectal cancer is a major health concern, and this paper introduces the COLON dataset, which contains labeled frames of polyps and background frames to facilitate the development of...

pixelNeRF是一种学习框架，可以通过少量图像预测神经场景表示，实现视角合成和单幅图像的三维重建。该模型在形状、类别和实景方面优于现有技术。

该研究提出了一种新的视频压缩质量增强模型CVEGAN，采用新颖的块和注意模块，并重新设计了培训策略和感知损失函数。在多个数据集上，CVEGAN表现出显著的编码性能提升。

Colorectal cancer is the second-most deadly cancer, killing over 1 million people per year around the world — 1.7% of all deaths. 结肠直肠癌是第二大致命癌症，全世界每年有 100 多万人死于此病，占总死亡人数的 1.7%。 In the United...

本文介绍了一种以可解释性显著图为中心的数据增强方法，用于提高结肠镜图像分割的深度学习模型的泛化能力。通过多中心多聚物检测数据集的测试，证明了该方法的有效性和多功能性。