BetterNet: 一种高效的卷积神经网络架构，具备残差学习和注意力机制，用于精确的息肉分割

May, 2024

BetterNet: 一种高效的卷积神经网络架构，具备残差学习和注意力机制，用于精确的息肉分割

BetterNet: An Efficient CNN Architecture with Residual Learning and Attention for Precision Polyp Segmentation

Owen Singh, Sandeep Singh Sengar

TL;DR通过将残差学习和注意力方法结合的 BetterNet 卷积神经网络架构，有效增强息肉分割准确性，具有高效梯度传播、多尺度特征整合、关注关键区域学习过程、确保计算效率等特点，进一步优于现有的基准模型，为结直肠癌的早期识别和计算机辅助诊断提供新的可能。

Abstract

colorectal cancer contributes significantly to cancer-related mortality. Timely identification and elimination of polyps through colonoscopy screening is crucial in order to decrease mortality rates. Accurately detecting polyps in colonoscopy images is difficult because of the differen

colorectal cancer polyp segmentation betternet convolutional neural network computer-assisted diagnosis

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

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

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

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

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

浅层注意力网络用于息肉分割

通过设计颜色交换操作，浅层注意力模块和概率矫正策略等方法，我们提出了用于息肉分割的 Shallow Attention Network（SANet），实验证明其在五个具有挑战性的基准测试上都比当前最先进的方法表现更好，并且速度约为 72FPS。

Aug, 2021

Y-Net：用于息肉检测的深度卷积神经网络

为解决结直肠息肉在早期检测中发现率低、训练数据有限、多样性大等问题，本文提出使用 Y-Net 深度学习方法，提高了息肉检测的 F1 分数 7.3% 和召回率 13%。

Jun, 2018

基于 Faster R-CNN 的内窥镜视频息肉检测高效方法

该文研究了基于深度学习的快速区域卷积神经网络（Faster R-CNN）在内窥镜图像中多发性息肉检测方面的应用，实验结果表明其能够有效的用于临床实践。

Sep, 2018

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

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