Quantitative polyp size measurements with photometric stereo endoscopy enhanced by deep learning (Conference Presentation)

2018 ◽  
Author(s):  
Faisal Mahmood ◽  
Norman S. Nishioka ◽  
Nicholas J. Durr
Keyword(s):  
Deep Learning ◽  
Photometric Stereo ◽  
Polyp Size

AUTOMATED POLYP SIZE ESTIMATION WITH DEEP LEARNING REDUCES OVERESTIMATION BIAS

2020 ◽  
Author(s):  
J Suykens ◽  
T Eelbode ◽  
J Daenen ◽  
P Suetens ◽  
F Maes ◽  
...  
Keyword(s):  
Deep Learning ◽  
Size Estimation ◽  
Polyp Size

Robust photometric stereo endoscopy via deep learning trained on synthetic data (Conference Presentation)

2019 ◽  
Author(s):  
Faisal Mahmood ◽  
Daniel Borders ◽  
Richard Chen ◽  
Jordan Sweer ◽  
Steven Tilley ◽  
...  
Keyword(s):  
Deep Learning ◽  
Synthetic Data ◽  
Photometric Stereo

scholarly journals Sa2012 AUTOMATED POLYP SIZE ESTIMATION WITH DEEP LEARNING REDUCES INTEROBSERVER VARIABILITY

2020 ◽  
Vol 91 (6) ◽  
pp. AB241-AB242 ◽  
Author(s):  
Jan Suykens ◽  
Tom Eelbode ◽  
Jurgen Daenen ◽  
Paul Suetens ◽  
Frederik Maes ◽  
...  
Keyword(s):  
Deep Learning ◽  
Interobserver Variability ◽  
Size Estimation ◽  
Polyp Size

scholarly journals A photometric stereo-based 3D imaging system using computer vision and deep learning for tracking plant growth

GigaScience ◽  
2019 ◽  
Vol 8 (5) ◽  
Author(s):  
Gytis Bernotas ◽  
Livia C T Scorza ◽  
Mark F Hansen ◽  
Ian J Hales ◽  
Karen J Halliday ◽  
...  
Keyword(s):  
Computer Vision ◽  
Deep Learning ◽  
Plant Growth ◽  
3D Imaging ◽  
Imaging System ◽  
Photometric Stereo

scholarly journals Non-Lambertian photometric stereo vision algorithm based on a multi-scale convolution deep learning architecture

2020 ◽  
Vol 50 (3) ◽  
pp. 323-334
Author(s):  
MingJun REN ◽  
Lin FU ◽  
GaoBo XIAO ◽  
MingHan CHEN ◽  
Xi WANG
Keyword(s):  
Deep Learning ◽  
Stereo Vision ◽  
Photometric Stereo ◽  
Multi Scale ◽  
Vision Algorithm

Deep Learning

2009 ◽  
Author(s):  
Stellan Ohlsson
Keyword(s):  
Deep Learning

Intelligence artificielle : le futur de l’Orthodontie ?

2019 ◽  
Vol 53 (3) ◽  
pp. 281-294
Author(s):  
Jean-Michel Foucart ◽  
Augustin Chavanne ◽  
Jérôme Bourriau
Keyword(s):  
Big Data ◽  
Deep Learning ◽  
Intelligence Artificielle ◽  
Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Sign in / Sign up

Export Citation Format

Share Document