.png){kind=icon}
返回
A Dual Domain Collaborative Network for Polyp Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1109/jbhi.2025.3649384.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
结肠镜图像中息肉分割的准确性对于早期结直肠癌检测至关重要，但由于现有方法在优化边界特征和跨层级表示对齐方面的局限性，该问题仍然具有挑战性。具体而言，模糊的息肉边界和不同特征层级间的尺度变化对分割精度构成了显著挑战。为解决这些问题，我们提出了一种双域协作网络（DDCNet），引入了两个新颖模块：频率域上下文增强模块（FCEM），用于在频率域中精修高低频特征；以及跨层级移位重校准融合模块（CSFM），用于在空间域中提升多尺度特征对齐。FCEM通过自适应精修高频边界特征并增强低频上下文信息来提高边界精度，而CSFM则通过在整个编解码架构中动态重校准多尺度特征来缓解跨层级特征错位。此外，我们设计了一种混合损失函数，整合了边界损失、交叉熵损失和频率一致性损失，以进一步提升分割性能。在三个基准数据集（Kvasir-SEG、CVC-ClinicDB和CVC-ColonDB）上的实验结果表明，DDCNet实现了最先进的表现，Dice系数分别为0.9343、0.9447和0.8155。这些结果相较于现有最佳方法提升了1.0%～1.5%。消融研究进一步验证了FCEM、CSFM和混合损失函数的独立贡献。此外，我们还比较了所提出的损失函数与三种常用损失函数。
Keyword:
Polyp segmentation
neural network
feature fusion
boundary enhancement
期刊
IF:
6.8
论文数:
4.6K
被引数:
2.0W
机构
引用论文
分享收藏
WM-DOVA maps for accurate polyp highlighting in colonoscopy: Validation vs. saliency maps from physicians在结肠镜检查中准确突出显示息肉的wm-dova地图: 医生的验证与显著性地图
PREAI
分享收藏Dynamic Non-Regular Sampling Sensor Using Frequency Selective Reconstruction基于频率选择重构的动态非规则采样传感器
PREAI
分享收藏Learned Wavelet Video Coding Using Motion Compensated Temporal Filtering基于运动补偿时域滤波的学习小波视频编码.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A Frequency Decoupling Network for Semantic Segmentation of Remote Sensing Images一种用于遥感图像语义分割的频率解耦网络
PREAI
分享收藏
查看更多内容