2021.3.30
-
今天检查了之前收集的数据集，发现所有数据集都存在下列问题：都是单标签，无法排除是否有息肉，因此如果需要选择阴性图片仍需要手工再看过。因而之后湿组安排：对于大部分都是阴性的图片，判断有无息肉以及不确定判断；对于息肉阳性多的样本：挑选复杂病变息肉进行注释。
-
检查中发现标签之间可以构成相应词向量（灵感来自于GCN），表征各标签之间关系，特别是息肉与其他标签的关系，那么是否可以依次构建一个权重矩阵；使用高斯概率分布图输出时可以进行置信度的权重调整
-
输出时显示框可以分颜色输出，例如红色表明90%以上概率确定是息肉；黄色-橙色表明中度-高度怀疑是息肉样病变；
-
对于假阳性问题，决定重新整理新的train文件夹，包含Kvasir的正常肠壁和粪便图像
-
明日需要仔细研究高斯图的输出后处理
-
重要：需要重新处理高斯图输出之后的bounding box与f-score等计算机制
2021.4.2
-
好的文章初看令人惊艳，细品回味无穷，idea与技术力、叙述能力，需要集大成方可出精品
-
Detecting Deficient Coverage in Colonoscopies这篇文章给出了一个非常新的点：the polyp does not appear in the field of view, as the endoscopist has not properly covered the relevant area during the procedure 息肉检出率低还有一个很大的原因是因为视野问题，而解决这个问题需要不同的计算机视觉方法 - 今天学会了计算即时影响因子的方法
- Web of science
- 时间选择前年与大前年
- 文献类型选择 Article与Review
- 引文报告
- 影响因子 = N(全年) / （C前年 + C大前年）
-
今日想到的目前报道不多的创新点：假阳性问题
- 今日仔细研究了使用 gaussian heatmap的损失函数问题，之后可能需要尝试（L1、L2、改良的focal loss和其他回归损失函数进行尝试）
2021.4.10
-
CADe最有效的时机：StepⅡ；
- in clinical practice, such video data is much harder to obtain, especially for positive samples.
Colonoscopy Polyp Detection: Domain Adaptation From Medical Report Images to Real-time Videos该文章提出了使用”域自适应“的方法来进行目标域与源域的迁移学习
-
Ablation study：检测不同变量的贡献程度
2021.4.12
- 需要完善的评估函数
- 针对息肉个数的TN、TP、FP、FN计算，以及sensitivity、specificity、precision
- 不同size的息肉的上述指标计算
- IOU, Dice系数计算
2021.5.11
- 今天研究了几篇临床试验的研究
- https://doi.org/10.1016/j.gie.2019.08.026 山东 宿敬然博士毕业论文。该研究主要构建了一个结肠镜质量控制系统，具体包括：检测退镜检查起点、终点；波士顿肠道评分；推进过程稳定性评分【模糊帧的识别 + 汉明距离计算】
2021.5.16
- 肠道准备（bbps评分）
2021.5.26
- 视频目标检测常见问题
- 运动模糊
- 虚焦
- 遮挡
- 外观变化
- 尺度变化
- 光线变化
-
Association LSTM：SSD + LSTM
存在一些局限性：1、严重依赖与进行定位检测跟踪算法的性能；2、相邻帧所反映的目标变化信息有局限性，只能反映出短期的运动信息，而对长时间的运动信息无能为力。
- Aligned Spatial-Temporal Memory
本文在运动信息的利用方面更进一步，可以学习到长期的运动信息，从而提升视频目标检测算法的性能。但是本文的方法仍然有一些缺陷：1、LSTM算法并行程度不高，训练效率受限；2、相邻帧所反映的目标变化信息有局限性，因为本文虽然学习了长期的运动信息，但是从相距比较远的帧的运动信息还是通过相邻帧一步一步从STMM单元传送到当前帧的，这样是一种间接的方式，效率并不算太高。
-
MANet
2021.5.29
-
多任务学习：看loss函数即可，如果loss包含很多项，每一项都是不同目标，这个模型就是在多任务学习了。有助于提升模型的泛化性
https://mp.weixin.qq.com/s/mL9GjnTK1p4MtdI9Bx1huw
-
benchmark https://arxiv.org/abs/2104.10824
2021.10.6
几个问题：
问题1：如何将CVAT、新收数据与导出数据结合起来
CVAT与数据上传整个流程：
- 手动创建Project
- main.py + MongoDBCompass + cvat.cli → increment.json（MongoDB）【关键点：校对完全后的内容不再变动，其余更新，最后生成完整的database.json】
- database.json 需要增加的内容
- status: non-uploaded, uploaded, annotation, review, complete
- project_id
- task_id
- database.json 需要增加的内容
- 基于 increment.json
- 图像数据上传：move.py
- 视频数据上传：movev.py → img_to_anchor.py → anchor_frame.py【待实现：增量上传anchor frame】
问题2：
综述方向：
方向一：计算机辅助诊断技术在下消化镜领域的瓶颈（CADe 进展期腺瘤检出率无明显差异，仅使用CADe可能导致医疗与时间成本增加；CADx：NPV ≥ 90%，对于白光几乎不可能，基于图像的诊断有其固有缺陷；CADe+CADx：几乎没有进展，仍处于模型开发阶段 ）
方向二：工业界（有技术，缺数据，缺医学背景知识）与医学界的Gap
-
开源数据集
-
息肉检测
- 数据量
- 标注情况：
- Location, Size(我们建议在切除前对所有10毫米大小的病变进行照片记录，并建议对切除后的缺损进行照片记录), Morphogy(Paris classification etc), Histology(We suggest proficiency in the use of electronic- (eg, NBI, i-scan, Fuji Intelligent Chromoendoscopy, or blue light imaging) or dye (chromoendoscopy)-based image-enhanced endoscopy techniques to apply optical diagnosis classifications for colorectal lesion histology.)
- USMSTF Reports have shown that residual tissue after polypectomy that is judged to be “complete” by the endoscopist is common, ranging from 6.5% to 22.7%
-
息肉分类
- 大肠病变的光学诊断在常规临床实践中是可行的，并且与当前的参考标准组织病理学相当[20, 21]
- Endoscopic prediction of the histologic class of a polyp may in fluence the resection approach to ensure complete removal
- 根据内镜情况评估
-
结直肠病变的不利组织学特征，如淋巴管浸润、肿瘤出芽或分化不良，在切除前内镜预测是不可行的。然而，黏膜下癌的垂直浸润深度可以在不放大的情况下使用高清晰度内镜根据形态学表现进行估计。
-
具有浅表（<1000 μm）粘膜下浸润的无蒂病变是内镜切除的候选者。然而，没有内镜特征对预测浅表粘膜下浸润敏感。非颗粒形态，特别是与 巴黎 0-IIc 或 巴黎0-Is 形状相关时，与表面侵袭风险增加有关。在可行的情况下，整块内窥镜切除术，然后将取出的标本钉扎到平坦表面（例如软木塞，泡沫）并垂直于切除平面切开病变，允许对侵入深度进行准确的病理测量。 来自具有可疑用于晚期组织学，粘膜下浸润或癌症的内窥镜特征的病变的标本应在单个瓶中提交用于病理分析。
-
- 肠道质量控制
- 达盲率
- 肠道清洁质量（BBPs评分 目前均基于单张图像进行评分）
- 息肉切除的完整性 【2018版世界内镜组织《随访间隔策略中基线结肠镜检查质量要求》】
-
