Dec, 2023

SPEEDNet: 结肠镜图像的显著金字塔增强编码解码网络

PDF
TL;DRSPEEDNet 是一种用于结肠镜图像中精确定位和分割病变的新型网络架构，通过将扩张卷积和缩减层成对组合成金字塔结构来降低参数数量，提高特征学习，并降低模糊效果。在 EBHISeg 数据集上，SPEEDNet 的性能优于 UNet、FeedNet 和 AttesResDUNet，达到了 0.952 的平均 Dice 得分和 0.971 的召回率。与 UNet、FeedNet 和 AttesResDUNet 模型相比，SPEEDNet 的模型大小为 9.81 MB，显著较小。
发现论文，激发创造
  • 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

  • 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

  • ESPNet: 高效的扩张空洞卷积空间金字塔用于语义分割

    ESPNet 是一种快速高效的卷积神经网络，用于在资源受限情况下对高分辨率图像进行语义分割，基于新的卷积模块，即高效空间金字塔（ESP），在计算、内存和功耗方面都很高效。它比目前最先进的语义分割网络 PSPNet 快 22 倍（在标准 GPU 上），体积小 180 倍，而其类别准确率只有 8% 左右。我们在各种语义分割数据集上评估了 ESPNet，包括 Cityscapes、PASCAL VOC 和一个乳腺活检全扫描图像数据集。在相同的内存和计算限制下，ESPNet 在标准度量和我们新引入的在边缘设备上测量效率的性能指标上均优于当前所有高效 CNN 网络，如 MobileNet、ShuffleNet 和 ENet。我们的网络可以在标准 GPU 上以每秒 112 帧和边缘设备上以每秒 9 帧的速度处理高分辨率图像。

    Mar, 2018

  • SEDNet: 浅层编码器 - 解码器网络用于脑肿瘤分割

    本文提出了一种浅层编码器和解码器网络（SEDNet）用于脑肿瘤分割，结合预处理算法和优化函数，通过对 BraTS2020 数据集的测试取得了显著的性能，并通过迁移学习进一步提高了分割准确度，因此，在实时临床诊断中表现出了高效性。

    Jan, 2024

  • 使用 DUCK-Net 进行息肉图像分割

    我们提出了一种新型的监督卷积神经网络架构 “DUCK-Net”，能够从少量的医学图像中有效学习和概括，以执行准确的分割任务。我们的模型利用编码器 - 解码器结构、残差下采样机制和自定义卷积块，以在编码器段的多个分辨率上捕获和处理图像信息。我们采用数据增强技术丰富训练集，从而提高模型性能。虽然我们的架构多用途，并适用于各种分割任务，但在这项研究中，我们特别展示了其在结肠镜图像的息肉分割方面的能力。我们在几个流行的息肉分割基准数据集 Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB 和 ETIS-LARIBPOLYPDB 上评估了方法的性能，结果表明在 Dice 系数均值、Jaccard 指数、精确度、召回率和准确度等方面取得了最先进的结果。我们的方法展示了强大的泛化能力，即使在有限的训练数据下也能实现出色的性能。代码已公开在 GitHub 上：this https URL

    Nov, 2023

  • ResUNet++：一种用于医学图像分割的先进架构

    该研究提出了一种改进的 ResUNet 架构，用于实现结肠镜图像分割，实验结果表明，ResUNet ++ 在公共数据集上表现出色，具有显著的性能优势。

    Nov, 2019

  • 实时语义分割的特征金字塔编码网络

    提出了一种轻量级特征金字塔编码网络（FPENet）来在语义分割任务中平衡精度和速度。通过深度扩张卷积对多尺度上下文特征进行特征金字塔编码块的编码，在解码器中引入了互相嵌入上采样模块以高效聚合高级语义特征和低级空间细节。在 Cityscapes 和 CamVid 基准数据集上，该网络具有更少的参数和更高的推理速度，并实现了 68.0％的平均 IoU 和 102 FPS 的速度。

    Sep, 2019

  • 增强的 CenterNet 与对比学习的自动息肉检测

    通过使用增强中心点网络与对比学习 (ECC-PolypDet) 的两阶段训练和端到端推理框架，结合图像和边界框注释来训练通用模型，并基于推理得分对其进行微调，以获取一个最终鲁棒的模型，从而实现对结直肠癌早期诊断至关重要的息肉准确检测。

    Jan, 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

  • 基于聚合多分辨率跳跃连接的深度卷积编码器 - 解码器用于皮肤病变分割

    本研究提出一种利用金字塔池化模块的编码 - 解码神经网络模型，通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息，以提供标准化的皮肤黑色素瘤患者计算机辅助分析，并通过 ISIC 2018 数据集的训练和验证，在 Jaccard 系数上取得了 0.837 验证准确性，优于 U-Net，相信这种方法可以用于临床实践。

    Jan, 2019