Sep, 2023

边缘感知特征聚合网络用于息肉分割

PDF
TL;DR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。
polyp segmentationedge-aware feature aggregation networkscale variationblurry polyp boundariescolorectal cancer
发现论文，激发创造
  • MEGANet：多尺度边缘引导注意力网络用于弱边界息肉分割

    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。

    Sep, 2023

  • 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

  • ODC-SA Net：用于息肉分割的正交方向增强和尺度感知网络

    为了实现结直肠癌的早期检测和预防，我们设计了一种用于息肉分割的正交方向增强和尺度感知网络 (ODC-SA Net)。该网络通过设计具有正交特征向量基础的矩形卷积核来提取多方向特征，解决了随机特征方向变化和计算负载较大的问题。此外，我们提出了多尺度融合注意力机制 (MSFA) 来强调空间和通道维度上的尺度变化，提高了对不同大小息肉的分割准确性。通过再注意模块 (ERA) 进行有效特征的重新组合，以及浅层反向注意力机制 (SRA) 来增强低级信息的息肉边缘。大量公共数据集上进行的实验表明，该模型的性能优于目前的最先进方法。

    May, 2024

  • 双尺度增强与交叉生成一致性学习用于半监督息肉分割

    提出了一种新的增强的双尺度和交叉生成一致性学习框架，用于半监督息肉分割，通过整合不同分辨率的交叉级相邻层来增强特征表达能力，采用尺度增强的一致性约束来处理形状尺寸和位置的变异，并通过交叉分段图重建原始和扰动图像来提高分割性能。

    Dec, 2023

  • 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

  • GMSRF-Net：面向息肉分割的全局多尺度残差融合网络的改进泛化能力

    本文提出了一种应用全局多尺度残差融合网络（GMSRF-Net）进行息肉分割的方法，通过交叉多尺度的注意力和多尺度特征选择模块，增强了网络的泛化能力，在两个不同的息肉分割数据集上，该方法相较之前最优的方法提高了 8.34％和 10.31％的 dice 系数。

    Nov, 2021

  • EPPS：通过边缘信息注入和选择性特征解耦的先进息肉分割

    精确分割结肠镜图像中的息肉对于早期诊断和结直肠癌的管理至关重要。我们提出了一种新颖的模型，名为 Edge-Prioritized Polyp Segmentation（EPPS），以克服深度学习所面临的挑战，通过引入 Edge Mapping Engine（EME）来精确提取息肉的边缘，并通过边缘信息注入器（EII）来增强蒙版预测。此外，我们引入了 Selective Feature Decoupler（SFD）来抑制噪声和不相关特征对模型的影响。我们在三个广泛使用的息肉分割基准上进行了大量实验证明，我们的方法相比其他最先进的方法具有出色的性能。

    May, 2024

  • 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

  • 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