Jan, 2024

RTA-Former: 反向 Transformer 注意力用于息肉分割

PDF
TL;DR我们介绍了一种名为 RTA-Former 的新型网络，其将 transformer 模型作为编码器骨干结构，并在解码器中创新地采用反向注意力（RA）与 transformer 阶段进行增强的边缘分割。实验结果表明 RTA-Former 在五个息肉分割数据集上实现了最先进的（SOTA）性能。RTA-Former 的强大能力有望提高基于 Transformer 的息肉分割的准确性，潜在地带来更好的临床决策和患者结果。我们的代码将在 GitHub 上公开。
发现论文，激发创造
  • RaBiT：一种使用双向特征金字塔网络和反向注意力的高效 Transformer 用于结直肠息肉分割

    本文介绍了一种名为 RaBiT 的深度学习模型，该模型不仅融合了轻量级 Transformer 架构以建模多层全局语义关系，同时还使用了多个双向特征金字塔和反向注意模块来更好地融合各个级别的特征图并逐步细化息肉边界，实验证明该方法在多个基准数据集上优于现有方法，在保持低计算复杂度的同时具有较高的泛化能力，尤其是在训练集和测试集具有不同特征时表现更加突出。

    Jul, 2023

  • ColonFormer：一种高效的基于 Transformer 的结肠息肉分割方法

    该研究提出了一种名为 ColonFormer 的编码器 - 解码器网络架构，以增强多级特征表示，并在全局地图内精确分割息肉对象，优于其他先进方法，适用于内镜图像在临床支持系统中的自动分析。

    May, 2022

  • LAPFormer: 一个轻量且准确的息肉分割 Transformer

    本文介绍了一种新型的编码器 - 解码器结构的 LAPFormer 模型，使用分层 Transformer 编码器来提取全局特征，并结合了用于捕获息肉局部外观的 CNN 解码器，包括渐进特征融合模块，特征细化模块和特征选择模块来处理特征，模型在多个息肉分割数据集上进行测试表现良好。

    Oct, 2022

  • PraNet: 并行反向注意力网络用于息肉分割

    本文提出了一种基于反向注意力网络（PraNet）的用于结肠镜图像中结肠息肉准确分割的方法。在两种主要困难的挑战下，PraNet 通过并行反向注意力模块和部分的解码器提供了更准确的分割结果，并在五个数据集上进行了评估。

    Jun, 2020

  • 多层稠密注意力解码器用于息肉分割

    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

  • MAST：具有混合注意力孪生变换器的视频息肉分割

    通过利用混合注意力 Siamese Transformer（MAST）显式地建模长距离时空关系进行精确的息肉分割，本研究在大规模 SUN-SEG 基准测试中展示了 MAST 相比先进竞争对手的卓越性能。

    Jan, 2024

  • SegT: 用于息肉分割的分离边缘引导 Transformer 网络

    本文提出了一种新颖的分离边缘引导变压器（SegT）网络，旨在构建有效的息肉分割模型。该网络使用变压器编码器学习比现有的基于 CNN 方法更强大的表示，并利用分离的边缘引导模块确定息肉的精确分割。最后，使用创新的级联融合模块融合了精细的多级特征。通过在五个具有挑战性的公共数据集上进行实验证明，该模型达到了最先进的性能。

    Jun, 2023

  • 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

  • 基于保留的结直肠息肉分割网络

    通过引入滞留机制以解决传统 Transformers 存在的局限性，本研究提出了一种名为 RetSeg 的编码 - 解码网络，用于精确的息肉分割，并在 Colonoscopy 图像数据集上进行了训练和验证。

    Oct, 2023

  • 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