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
本研究提出了使用 Meta-Former 与 UNet 的融合模型,并引入多尺度上采样块与级联组合以提高纹理,并提出 Convformer 块增强局部特征,以实现医学分割的全局信息、局部信息和边界信息等敏感点的更好决策。该模型在 CVC-300 数据集、Kvasir、CVC-ColonDB 数据集上取得了领先水平的表现。
May, 2023
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
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。
本文提出了基于 Transformer 编码器、三个标准模块(包括串级融合模块,伪装识别模块和相似聚合模 块)的息肉分割方法,名为 Polyp-PVT。实验结果表明,该方法在人口学多样性、外观变化,甚至缺失数据方 面都具有较好的鲁棒性。
Aug, 2021
通过融合现有的分割算法和现代多边形方法,本研究提出了一种名为 PolyTransform 的新型实例分割算法,能够生成准确、保存几何信息的遮罩,取得了显著的性能提升。我们的算法在 Cityscapes 数据集上排名第一,并在交互式注释设置中取得了令人印象深刻的收益。
Dec, 2019
通过自监督学习作为辅助任务以及空间 - 时间自注意机制,我们提出了一种视频息肉分割方法,以改进表示学习。我们的端到端配置和联合优化损失使网络能够在视频中学习更有区分性的上下文特征。实验结果表明,与多个最先进方法相比,我们的方法有所改进。我们的消融研究还证实了所提出的端到端训练选择相比最近提出的方法 PNS+ 和 Polyp-PVT,在 Dice 相似系数和交并比方面,网络准确性提高了 3% 以上,并分别与之相比提高了近 10%。对之前未见的视频数据的结果表明,所提出的方法具有泛化能力。
Jun, 2024
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。
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
通过使用计算机视觉技术和合成数据,提出了一种用于结肠息肉分割的模型,该模型在自监督和半监督设置中达到了最先进的结果。
Jul, 2023