逐步特征融合:局部指导全局
我们提出了一种新的体系结构,结合了 transformer 和全卷积分支,以实现大尺寸结肠镜图像的自动分割,具有先进的性能和更好的泛化能力,适用于肠镜检查中早期检测肠癌的应用。
Aug, 2022
该研究提出了一种名为 ColonFormer 的编码器 - 解码器网络架构,以增强多级特征表示,并在全局地图内精确分割息肉对象,优于其他先进方法,适用于内镜图像在临床支持系统中的自动分析。
May, 2022
本研究使用机器学习技术对多中心和多人群结肠镜图像中出现的息肉进行检测和分割,并分析了表现最好的团队的结果,发现准确性高于即时性能,并提出了需要提高模型泛化性来应对多中心数据集中的多样性的观点。
Feb, 2022
本研究旨在通过使用 Kvasir-SEG 数据集对几种先进方法进行基准测试,评估其在结肠镜疾病检测、定位和分割方面的性能,并显示所提出的 ColonSegNet 方法在精度、速度和分割任务方面均表现优异,其表现足以证明进行自动化实时息肉鉴别和划线的必要性。
Nov, 2020
本文介绍了一种新型的编码器 - 解码器结构的 LAPFormer 模型,使用分层 Transformer 编码器来提取全局特征,并结合了用于捕获息肉局部外观的 CNN 解码器,包括渐进特征融合模块,特征细化模块和特征选择模块来处理特征,模型在多个息肉分割数据集上进行测试表现良好。
Oct, 2022
本研究提出一种名为 Fusion-Transformer-HardNetMSEG (Fu-TransHNet) 的混合网络,通过多种深度学习机制融合和多视角协作学习技术提高结肠息肉的分割精度。富 - TransHNet 利用变压器和 CNN 分支实现全局和局部特征学习,设计了一个融合模块来整合两个分支的特征,利用多视图协作学习技术获取各自权重,结果表明 Fu-TransHNet 网络在五个广泛使用的基准数据集上优于现有方法。
Jan, 2023
早期检测和评估息肉在结直肠癌的预防和治疗中起着至关重要的作用。本文综述了息肉分割算法,包括传统算法和基于深度学习网络的算法,详细介绍了相关基准数据集及对最近的深度学习模型进行的全面评估,最后讨论了该领域的挑战和未来趋势。
Nov, 2023
本文提出了一种用于结肠镜检查中结肠息肉图像分割的深度学习框架,该框架具有编码器和解码器,通过引入扩张卷积和简化的解码器来实现优化特征表示能力以及减少参数数量,在 CVC-ClinicDB 和 ETIS-Larib Polyp DB 上取得了最新研究成果。
Dec, 2019
通过使用多频特征融合息肉分割网络 (M3FPolypSegNet),以及多任务学习的方法,本研究提出了一种新颖的基于频率的全卷积神经网络,能够自动地分割结肠镜图像中的小型息肉,提高了分割的准确性和效率。
Oct, 2023
通过自监督学习作为辅助任务以及空间 - 时间自注意机制,我们提出了一种视频息肉分割方法,以改进表示学习。我们的端到端配置和联合优化损失使网络能够在视频中学习更有区分性的上下文特征。实验结果表明,与多个最先进方法相比,我们的方法有所改进。我们的消融研究还证实了所提出的端到端训练选择相比最近提出的方法 PNS+ 和 Polyp-PVT,在 Dice 相似系数和交并比方面,网络准确性提高了 3% 以上,并分别与之相比提高了近 10%。对之前未见的视频数据的结果表明,所提出的方法具有泛化能力。
Jun, 2024