内窥镜作为一种重要的医学诊断工具，广泛地应用于多种疾病的诊断和筛查。随着电子内窥镜的广泛应用，基于图像处理技术的计算机辅助诊断算法不断地涌现。就应用于医用内窥镜图像的计算机辅助诊断研究进展予以综述，分别总结了基于人选特征和基于卷积神经网络的内窥镜图像分析方法，最后分析了两类方法在处理内窥镜图像时的优势与缺点。
2021-11-19 14:19:22
812KB
1
结构化光内窥镜中基于特征的图像配准
该存储库包含基于深度学习的图像配准，用于结构化光内窥镜检查。 该方法是通过使用喉部记录对激光投射的关键点（功能）进行分类而开发的。 该方法包含一个预处理步骤，在该步骤中执行语义分割以定位关键点。 然后执行图像配准，以将不规则放置的关键点转换为规则放置的图案。 在后处理步骤中，使用最近邻居方法和排序算法对各个关键点进行分类。 实现驻留在包endolas（内镜检查+拉斯ER）和示范在演示提供。 此外，该数据集LASTEN，其用于训练和评估在数据中给出。
安装
下载资源库。
激活所需的python环境，该环境至少包含Python 3.7。
在存储库中，使用以下命令运行setup.py：
pip install .
现在，将endolas软件包安装在您的环境中，包括资源和其他必需的软件包。
演示版
管道可以根据图像对关键点进行预测，方法如下：
'jupy
2021-11-08 17:20:29
127.7MB
1
先决条件
此应用程序的模板。 我跟着这个示例
我使用了以下一些Javascript库
KnockoutJs ，
jQuery
LinqJs
代码中使用的外部库。
代码如何工作
我在代码中添加了一些注释。 要说明其工作原理，您可以在app.py中查看
如何运行
激活虚拟环境
。 idPvenv / bin /激活
使站点支持HTTPS
出口FLASK_RUN_CERT = adhoc
运行
烧瓶运行＃https
2021-11-02 14:25:13
16.29MB
1
内窥镜反光数据集，如果使用了该数据集，请引用 Sánchez, F. J., Bernal, J., Sánchez-Montes, C., de Miguel, C. R., & Fernández-Esparrach, G. (2017). Bright spot regions segmentation and classification for specular highlights detection in colonoscopy videos. Machine Vision and Applications, 28(8), 917-936.
2021-10-29 16:21:33
8.36MB
1