May, 2024

ODC-SA Net：用于息肉分割的正交方向增强和尺度感知网络

PDF
TL;DR为了实现结直肠癌的早期检测和预防，我们设计了一种用于息肉分割的正交方向增强和尺度感知网络 (ODC-SA Net)。该网络通过设计具有正交特征向量基础的矩形卷积核来提取多方向特征，解决了随机特征方向变化和计算负载较大的问题。此外，我们提出了多尺度融合注意力机制 (MSFA) 来强调空间和通道维度上的尺度变化，提高了对不同大小息肉的分割准确性。通过再注意模块 (ERA) 进行有效特征的重新组合，以及浅层反向注意力机制 (SRA) 来增强低级信息的息肉边缘。大量公共数据集上进行的实验表明，该模型的性能优于目前的最先进方法。
polyp segmentationcolorectal cancerorthogonal direction enhancementscale aware networksegmentation accuracy
发现论文，激发创造
  • 边缘感知特征聚合网络用于息肉分割

    利用边缘感知的特征聚合网络 (EFA-Net) 对息肉进行分割，克服不同尺度和模糊的边界，实现更准确的早期诊断和防治结直肠癌 (CRC)。实验结果表明，EFA-Net 在泛化性能和有效性方面优于现有的息肉分割方法。

    Sep, 2023

  • MEGANet：多尺度边缘引导注意力网络用于弱边界息肉分割

    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。

    Sep, 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

  • 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

  • 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

  • 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

  • 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

  • 双尺度增强与交叉生成一致性学习用于半监督息肉分割

    提出了一种新的增强的双尺度和交叉生成一致性学习框架，用于半监督息肉分割，通过整合不同分辨率的交叉级相邻层来增强特征表达能力，采用尺度增强的一致性约束来处理形状尺寸和位置的变异，并通过交叉分段图重建原始和扰动图像来提高分割性能。

    Dec, 2023

  • 面向方向物体检测的深度特征对齐

    本文提出了一种 Single-shot Alignment Network (S2A-Net) 来解决航拍图像目标检测中常见的分类得分与定位准确度不一致问题，该网络包括 Feature Alignment Module（FAM）和 Oriented Detection Module（ODM），能够自适应调整卷积特征和生成高质量的先验框，同时通过旋转滤波器编码方向信息来实现定位准确度与分类得分的一致性，并在大规模图像上取得了较高的速度和准确度。

    Aug, 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