.png){kind=icon}
返回
A Multi-Scale Structure with Improved Reverse Attention for Polyp Segmentation
.png){kind=icon}
PRE
AI
DOI：10.3390/math13233794.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
结直肠癌（CRC）是全球第二大常见恶性肿瘤，死亡率高，及时早期息肉检测对其进展的遏制至关重要。然而，息肉图像分割这一关键工具面临挑战：边缘模糊、尺寸小以及来自肠褶皱、气泡和黏液的伪影。为解决这些问题，我们提出了一种具有多尺度特征提取的新型分割模型。其编码器采用基于多尺度注意力机制的金字塔视觉变换器v2（PVTv2）提取层次化特征（低阶段模块扩大感受野），而解码器则采用并行多级聚合结构，并加入多分支和改进的逆向注意力模块。消融实验验证了关键模块的有效性。与五个基准数据集上的九种当前最佳网络相比，该模型表现出优越性：在息肉数据集上实现了最优的mDice/mIoU，在Kvasir-SEG上比MEGANet的mDice高出0.2%，并在CVC-ClinicDB上优于UHA-Net和CSCA-U-Net。
Keyword:
polyp segmentation
pyramid vision transformer
multi-scale feature
colonoscopy
computer vision
期刊
IF:
2.2
论文数:
3.1K
被引数:
3.6W
机构
引用论文
Prediction of the histology of colorectal neoplasm in white light colonoscopic images using deep learning algorithms.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI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A systematic review of deep learning based image segmentation to detect polyp基于深度学习的图像分割检测息肉的系统综述
OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容