Jan, 2023

基于 Transformer-CNN 融合的结肠息肉分割增强的合作学习

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • MugenNet：一种新颖的综合卷积神经网络与 Transformer 网络及其在结肠息肉图像分割中的应用

    基于混合原则，结合 CNN 和 Transformer，我们提出了一种名为 MugenNet 的结构用于结直肠息肉图像分割，实验证明 MugenNet 比仅使用 CNN 的模型在处理速度和准确度上显著提高。

    Mar, 2024

  • 多层特征融合网络结合注意力机制用于息肉分割

    为了提高医学诊断的效率和准确度，减少患者结直肠癌的风险，我们提出了一种名为 MLFF-Net 的新型息肉分割方法，该方法利用多级特征融合和注意机制。实验证明该方法不仅可以分割多种类型的息肉，还在准确性和概括能力方面优于现有最先进的方法。

    Sep, 2023

  • 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

  • M3FPolypSegNet：结肠镜图像中多频特征融合的息肉定位分割网络

    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

  • FLDNet：利用长距离依赖关系进行息肉分割的前景感知网络

    通过使用 FLDNet，一种基于 Transformer 的神经网络，该论文提出了在结直肠镜检查图像中准确检测和分割息肉的方法，并通过评估显示出在常用数据集上优于现有方法的先进性。

    Sep, 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

  • 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

  • LAPFormer: 一个轻量且准确的息肉分割 Transformer

    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

  • TransFuse：将 Transformer 和 CNN 融合用于医学图像分割

    本文介绍了用于医学图像分割的 TransFuse 并行网络结构，将 Transformers 和 CNNs 并置，以有效地捕捉全局依赖关系和低级别空间细节，且使用了一种新的特征融合方法 —BiFusion 模块来融合两个分支的多级特征。实验结果表明，TransFuse 在医学图像分割任务中的性能优于目前最先进的技术，同时在参数数量和推断速度上也有显著改进。

    Feb, 2021