Oct, 2023

M3FPolypSegNet：结肠镜图像中多频特征融合的息肉定位分割网络

PDF
TL;DR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。
polyp segmentationcolorectal cancerdeep learningfrequency-based fully convolutional neural networkmulti-task learning
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 高效息片分割通过完整性学习

    这篇研究论文介绍了在结肠镜检测中，完整性不足对准确性的影响，并提出了一种名为 IC-PolypSeg 的网络模型，通过轻量级骨干网络和三个关键组件实现在宏观和微观层面上的完整性改善，该模型在多项实验证明在精度和计算效率方面优于八种最先进的方法，并满足了临床要求。

    Sep, 2023