Jun, 2024

使用双编码器 - 解码器网络进行息肉和手术仪器分割

PDF
TL;DR本文描述了在 MedAI 竞赛中解决问题的方法，参赛者需要从内窥镜图像中分割息肉和手术器械。我们的方法依赖于一个双编码器 - 解码器神经网络，该网络在之前的息肉分割研究中已经应用过，但做出了一系列增强：更强大的编码器架构，改进的优化过程以及基于温和模型集成的分割后处理。实验结果表明，我们的方法产生的分割结果与医学专家提供的手工分割结果具有良好的一致性。
medai competitionendoscopic imagesneural networkpolyp segmentationmedical experts
发现论文，激发创造
  • 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

  • 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

  • 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

  • 通过 Medico 2020 息肉分割和 MedAI 2021 透明度挑战对结肠镜中息肉和器械分割方法进行客观验证

    自动分析结肠镜图像是一项活跃的研究领域，该研究受到早期检测癌前息肉重要性的驱动。深度学习作为有望解决该挑战的一种方法，可以帮助结肠镜检医生实时发现和分类被忽视的息肉和异常。为了推动高效透明方法的发展，我们组织了两个竞赛，针对医学自动息肉分割和医学图像分割透明度。通过综合分析这些挑战，我们不仅突出了息肉和手术工具分割的进展，还鼓励定性评估，以构建更透明、可理解的基于人工智能的结肠镜系统。

    Jul, 2023

  • 迭代深度卷积编码器 - 解码器网络的医学图像分割

    本文提出了一种新的基于迭代深度学习框架的医学图像分割方法，使用迭代学习方法和编码器 - 解码器网络，结合卷积编码器和迭代学习，可以精确定位具有复杂形状或详细纹理的 ROI，实验结果表明该方法可以对各种医学图像进行良好的分割。

    Aug, 2017

  • 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

  • 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

  • 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

  • NeoUNet: 针对结肠息肉分割和新生物检测的准确性

    本文提出了基于 UNet 架构的 NeouNet 模型以及混合损失函数，针对息肉分割问题提出了一种细粒度的解决方案，旨在高精度地识别高恶性风险的息肉。实验证明，与现有息肉分割模型相比，NeouNet 在基准数据集上取得了竞争力的结果。

    Jul, 2021

  • 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