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

提出了一种基于多尺度减法网络（MSNet）的自动结肠息肉分割技术，用于提取肠镜图像中的息肉特征。使用训练无损耗网络 LossNet 监督从底层到顶层的特征，并使用漏斗式结构进行不同尺度的特征融合，在达到 $352 imes352$ 像素图像时的实时速度为 $70fps$。

Aug, 2021

本文提出了一种应用全局多尺度残差融合网络（GMSRF-Net）进行息肉分割的方法，通过交叉多尺度的注意力和多尺度特征选择模块，增强了网络的泛化能力，在两个不同的息肉分割数据集上，该方法相较之前最优的方法提高了 8.34％和 10.31％的 dice 系数。

Nov, 2021

通过使用多频特征融合息肉分割网络 (M3FPolypSegNet)，以及多任务学习的方法，本研究提出了一种新颖的基于频率的全卷积神经网络，能够自动地分割结肠镜图像中的小型息肉，提高了分割的准确性和效率。

Oct, 2023

为了提高医学诊断的效率和准确度，减少患者结直肠癌的风险，我们提出了一种名为 MLFF-Net 的新型息肉分割方法，该方法利用多级特征融合和注意机制。实验证明该方法不仅可以分割多种类型的息肉，还在准确性和概括能力方面优于现有最先进的方法。

Sep, 2023

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

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。

May, 2024

该研究论文提出了一种名为 SALI 网络的视频分割方法，通过增强邻近特征的一致性和重建可靠的息肉表示，以改善内窥镜检查中肠镜视频息肉分割的准确性。实验证明，SALI 网络在空间差异和低视觉线索的情况下表现出很强的鲁棒性，相比现有的方法，在大规模数据集上提高了 Dice 指数分别为 2.1%、2.5%、4.1% 和 1.9%。

Jun, 2024

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

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