May, 2024

EPPS：通过边缘信息注入和选择性特征解耦的先进息肉分割

PDF
TL;DR精确分割结肠镜图像中的息肉对于早期诊断和结直肠癌的管理至关重要。我们提出了一种新颖的模型，名为 Edge-Prioritized Polyp Segmentation（EPPS），以克服深度学习所面临的挑战，通过引入 Edge Mapping Engine（EME）来精确提取息肉的边缘，并通过边缘信息注入器（EII）来增强蒙版预测。此外，我们引入了 Selective Feature Decoupler（SFD）来抑制噪声和不相关特征对模型的影响。我们在三个广泛使用的息肉分割基准上进行了大量实验证明，我们的方法相比其他最先进的方法具有出色的性能。
发现论文，激发创造
  • 高效息片分割通过完整性学习

    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

  • 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

  • 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

  • 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

  • 结肠息肉分割中不确定区域的语义适应

    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

  • SSTFB: 利用自监督预训练和时间自注意力以特征分支实现实时视频息肉分割

    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

  • 使用合成数据的自监督和半监督息肉分割

    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

  • 通过主动学习实现高效的息肉分割

    提出了一种深度主动学习框架，用于高效标记息肉分割，在有限的标注预算下实现了最佳性能。

    Mar, 2024

  • M3FPolypSegNet：结肠镜图像中多频特征融合的息肉定位分割网络

    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

  • 多层特征融合网络结合注意力机制用于息肉分割

    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