Sep, 2023

基于注意力和池化的三维 CT 图像乙状结肠分割

PDF
TL;DR使用修改后的 3D U-Net 架构，本研究提出一种新颖的深度学习架构，用于从计算机断层扫描（CT）图像中分割乙状结肠，结果表明采用修改后的架构能有效地进行分割，而集成方法可提高分割精度。
segmentationsigmoid colondeep learningensemble methodscomputed tomography (ct) images
发现论文，激发创造
  • 结直肠镜图像中的自动息肉分割

    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

  • 使用 U-Net 和膨胀卷积进行结肠息肉分割

    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

  • DilatedSegNet: 一种用于息肉分割的深度扩张分割网络

    该研究论文利用深度学习技术提出一种新颖的实时结构化模型 ——DilatedSegNet，可用于肠镜检查中息肉分割，其平均 dice coefficient 为 0.90，mIoU 为 0.83，其结果表明该模型具有以实现实时反馈为主导且保留了高分割性能特点的高潜力。

    Oct, 2022

  • 使用全卷积网络进行结肠镜图像中息肉分割

    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

  • 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

  • 深度学习时代下的结直肠息肉分割：详细调查

    通过综合系统的回顾 2014 年至 2023 年间 115 篇论文，本文首先提供一个基于深度学习的结肠直肠息肉分割技术的新分类法，包括网络架构、监督级别和学习范式，并分析了各数据集的特征、常用评估指标以及 40 个深度学习模型的性能。最后讨论了深度学习分割结肠直肠息肉方法的主要挑战和机会。

    Jan, 2024

  • 结肠息肉分割中不确定区域的语义适应

    通过使用新颖的 ADSNet 架构，本论文针对结肠镜图像中存在的肿瘤形状、颜色、条件以及与周围环境相似的问题，改进了肿瘤分割性能，提高了肿瘤图像分割任务的实验结果。

    May, 2024

  • 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

  • 使用深度学习在结肠镜检查中实时进行息肉检测、定位和分割

    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

  • 一项基于计算机视觉挑战的深度学习息肉检测和分割方法通用性评估

    本研究使用机器学习技术对多中心和多人群结肠镜图像中出现的息肉进行检测和分割，并分析了表现最好的团队的结果，发现准确性高于即时性能，并提出了需要提高模型泛化性来应对多中心数据集中的多样性的观点。

    Feb, 2022