Sep, 2023

MEGANet：多尺度边缘引导注意力网络用于弱边界息肉分割

PDF
TL;DR在医疗保健中，高效的息肉分割在早期诊断结直肠癌方面起着关键作用。本文提出了一种专门用于结肠镜图像中的息肉分割的多尺度边缘引导注意力网络（MEGANet）。该网络通过融合经典的边缘检测技术和注意力机制，有效地保留了高频信息，尤其是边缘和边界，从而解决了背景分布复杂、息肉大小和形状变化多样以及界限不清等挑战。实验结果表明，MEGANet 在五个基准数据集上优于现有的其他方法，代码可在 https://github.com/DinhHieuHoang/MEGANet 获取。
polyp segmentationcolorectal cancermulti-scale edge-guided attention networkcolonoscopy imagesneural networks
发现论文，激发创造
  • 多尺度信息共享和选择网络结合边界注意力用于息肉分割

    通过多尺度信息共享和选择网络 (MISNet) 解决结直肠镜图像中息肉分割的问题，提高分割结果的准确性和清晰度。

    May, 2024

  • 边缘感知特征聚合网络用于息肉分割

    利用边缘感知的特征聚合网络 (EFA-Net) 对息肉进行分割，克服不同尺度和模糊的边界，实现更准确的早期诊断和防治结直肠癌 (CRC)。实验结果表明，EFA-Net 在泛化性能和有效性方面优于现有的息肉分割方法。

    Sep, 2023

  • DDANet：自动息肉分割的双解码注意力网络

    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

  • 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

  • 浅层注意力网络用于息肉分割

    通过设计颜色交换操作，浅层注意力模块和概率矫正策略等方法，我们提出了用于息肉分割的 Shallow Attention Network（SANet），实验证明其在五个具有挑战性的基准测试上都比当前最先进的方法表现更好，并且速度约为 72FPS。

    Aug, 2021

  • 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

  • PraNet: 并行反向注意力网络用于息肉分割

    本文提出了一种基于反向注意力网络（PraNet）的用于结肠镜图像中结肠息肉准确分割的方法。在两种主要困难的挑战下，PraNet 通过并行反向注意力模块和部分的解码器提供了更准确的分割结果，并在五个数据集上进行了评估。

    Jun, 2020

  • 多尺度减法网络实现自动息肉分割

    提出了一种基于多尺度减法网络（MSNet）的自动结肠息肉分割技术，用于提取肠镜图像中的息肉特征。使用训练无损耗网络 LossNet 监督从底层到顶层的特征，并使用漏斗式结构进行不同尺度的特征融合，在达到 $352 imes352$ 像素图像时的实时速度为 $70fps$。

    Aug, 2021

  • 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

  • NeoUNet: 针对结肠息肉分割和新生物检测的准确性

    本文提出了基于 UNet 架构的 NeouNet 模型以及混合损失函数，针对息肉分割问题提出了一种细粒度的解决方案，旨在高精度地识别高恶性风险的息肉。实验证明，与现有息肉分割模型相比，NeouNet 在基准数据集上取得了竞争力的结果。

    Jul, 2021