ACLOct, 2022

LAPFormer: 一个轻量且准确的息肉分割 Transformer

PDF
TL;DR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。
polyp segmentationtransformer-based approachlapformerencoder-decoder architecturemulti-scale features
发现论文，激发创造
  • ColonFormer：一种高效的基于 Transformer 的结肠息肉分割方法

    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

  • 逐步特征融合：局部指导全局

    本文介绍了一种用于医学图像分割的新型深度学习模型 SSFormer，该模型使用了金字塔 Transformer 编码器来改进模型的泛化能力，提高了模型的学习和推广表现。

    Mar, 2022

  • HiFormer: 使用 Transformer 实现的分层多尺度表示，用于医学图像分割

    本文提出了一种新的方法 HiFormer，它通过使用 Swin Transformer 模块和基于 CNN 的编码器设计了两种多尺度特征表示来有效地跨越 CNN 和 Transformer 进行医学图像分割。在编码器解码器结构的跳跃连接中，我们提出了 Double-Level Fusion（DLF）模块，以确保从两个上述表示中获得的全局和局部特征的细粒度融合。在各种医学图像分割数据集上的广泛实验表明，HiFormer 在计算复杂度、定量和定性结果方面优于其他基于 CNN、Transformer 和混合方法。

    Jul, 2022

  • 元 - 息肉：高效息肉分割的基线模型

    本研究提出了使用 Meta-Former 与 UNet 的融合模型，并引入多尺度上采样块与级联组合以提高纹理，并提出 Convformer 块增强局部特征，以实现医学分割的全局信息、局部信息和边界信息等敏感点的更好决策。该模型在 CVC-300 数据集、Kvasir、CVC-ColonDB 数据集上取得了领先水平的表现。

    May, 2023

  • Polyp-PVT：金字塔视觉变换器用于息肉分割

    本文提出了基于 Transformer 编码器、三个标准模块（包括串级融合模块，伪装识别模块和相似聚合模 块）的息肉分割方法，名为 Polyp-PVT。实验结果表明，该方法在人口学多样性、外观变化，甚至缺失数据方 面都具有较好的鲁棒性。

    Aug, 2021

  • FCN-Transformer 特征融合在息肉分割中的应用

    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

  • 多层稠密注意力解码器用于息肉分割

    通过引入名为 Dense Attention Gate 的新模块，建立了多层特征之间的本地特征关系，同时采用新的嵌套解码器架构来增强语义特征，并与 PVT 主干网络相结合，实现了多层密集特征的层次聚合，从而在多个数据集上取得了最新的性能表现，优于先前的模型。

    Mar, 2024

  • 基于 Transformer-CNN 融合的结肠息肉分割增强的合作学习

    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

  • RTA-Former: 反向 Transformer 注意力用于息肉分割

    我们介绍了一种名为 RTA-Former 的新型网络，其将 transformer 模型作为编码器骨干结构，并在解码器中创新地采用反向注意力（RA）与 transformer 阶段进行增强的边缘分割。实验结果表明 RTA-Former 在五个息肉分割数据集上实现了最先进的（SOTA）性能。RTA-Former 的强大能力有望提高基于 Transformer 的息肉分割的准确性，潜在地带来更好的临床决策和患者结果。我们的代码将在 GitHub 上公开。

    Jan, 2024

  • CFPFormer：分割和检测的特征金字塔式 Transformer 解码器

    CFPFormer 是一种新的解码器块，它集成了特征金字塔和变压器，通过利用路径嵌入、跨层特征拼接和高斯注意机制，增强了特征提取能力，并促进了各种任务的泛化。在医学图像分割数据集和物体检测基准测试上，我们的模型取得了优越的性能，特别是在检测小物体方面表现出色。

    Apr, 2024