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

本文提出了一种基于双解码器注意力网络的新型架构 DDANet，通过在 Kvasir-SEG 数据集上训练并在一个未见数据集上测试，达到了 0.7874 的 Dice 系数，0.7010 的 mIoU、0.7987 的召回率和 0.8577 的精度，证明了模型的泛化能力。

Dec, 2020

使用扩张卷积模块和交叉注意力网络对结肠内镜图像中的息肉进行分割，并结合数据增强技术和全局平均池化的方法，在处理不规则息肉形状时实现了明显的改进。

Apr, 2024

本文提出了一种基于卷积神经网络的息肉分割方法，通过训练时的图像块选择和测试时的有效后处理，相较于先前的结肠镜视频分割方法更具准确性。

Feb, 2018

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

我们提出了一种新型的监督卷积神经网络架构 “DUCK-Net”，能够从少量的医学图像中有效学习和概括，以执行准确的分割任务。我们的模型利用编码器 - 解码器结构、残差下采样机制和自定义卷积块，以在编码器段的多个分辨率上捕获和处理图像信息。我们采用数据增强技术丰富训练集，从而提高模型性能。虽然我们的架构多用途，并适用于各种分割任务，但在这项研究中，我们特别展示了其在结肠镜图像的息肉分割方面的能力。我们在几个流行的息肉分割基准数据集 Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB 和 ETIS-LARIBPOLYPDB 上评估了方法的性能，结果表明在 Dice 系数均值、Jaccard 指数、精确度、召回率和准确度等方面取得了最先进的结果。我们的方法展示了强大的泛化能力，即使在有限的训练数据下也能实现出色的性能。代码已公开在 GitHub 上：this https URL

Nov, 2023

通过将残差学习和注意力方法结合的 BetterNet 卷积神经网络架构，有效增强息肉分割准确性，具有高效梯度传播、多尺度特征整合、关注关键区域学习过程、确保计算效率等特点，进一步优于现有的基准模型，为结直肠癌的早期识别和计算机辅助诊断提供新的可能。

May, 2024

SPEEDNet 是一种用于结肠镜图像中精确定位和分割病变的新型网络架构，通过将扩张卷积和缩减层成对组合成金字塔结构来降低参数数量，提高特征学习，并降低模糊效果。在 EBHISeg 数据集上，SPEEDNet 的性能优于 UNet、FeedNet 和 AttesResDUNet，达到了 0.952 的平均 Dice 得分和 0.971 的召回率。与 UNet、FeedNet 和 AttesResDUNet 模型相比，SPEEDNet 的模型大小为 9.81 MB，显著较小。

Dec, 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

为解决结直肠息肉在早期检测中发现率低、训练数据有限、多样性大等问题，本文提出使用 Y-Net 深度学习方法，提高了息肉检测的 F1 分数 7.3% 和召回率 13%。

Jun, 2018