.png){kind=icon}
返回
CRNet: Cascaded Refinement Network for polyp segmentation
.png){kind=icon}
OA
AI
DOI：10.1016/j.jksuci.2024.102250.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动分割技术在结直肠癌（CRC）的早期诊断和治疗中发挥着关键作用。现有的息肉分割方法通常侧重于高级特征提取，而忽略了详细的低级特征，这在一定程度上限制了分割性能的提升。本文提出了一种名为级联优化网络（CRNet）的新技术，旨在通过级联上下文网络结构结合低级和高级特征来提高息肉分割性能。为准确捕捉息肉的形态学变化并增强分割边界的清晰度，我们设计了多尺度特征优化（MFO）模块和上下文边缘引导（CEG）模块。此外，为进一步增强特征融合与利用，我们引入了级联局部特征融合（CLFF）模块，该模块有效整合了跨层相关性，使网络能够更好地理解复杂的息肉结构。通过大量实验，我们的模型在Kvasir-SEG和CVC-ClinicDB两个主要数据集上分别比最新的MMFILNet模型获得了0.3%和3.1%更高的mDice分数。消融研究显示，MFO将基线分数提升了4%，而缺少CLFF和CEG的网络的mDice分数分别降低了2.4%和1.7%。这进一步验证了各模块对息肉分割性能的贡献。CRNet通过引入多个模块提升了模型性能，但也增加了模型复杂度。未来工作将探索如何在保持高性能的同时降低计算复杂度并提高推理速度。本文的源代码可在https://github.com/l1986036/CRNet获取。
Keyword:
Polyp segmentation
Multi-Scale Feature Optimization
Edge guidance
Cascaded Local Feature Fusion
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
6.1
论文数:
109
被引数:
9.5K
机构
引用论文
CoAM-Net: coordinate asymmetric multi-scale fusion strategy for polyp segmentation.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏分享收藏分享收藏Magnitude, Risk Factors, and Factors Associated With Adenoma Miss Rate of Tandem Colonoscopy: A Systematic Review and Meta-analysis串联结肠镜检查的大小，危险因素和与腺瘤漏检率相关的因素: 系统回顾和荟萃分析GASTROENTEROLOGYOAAI
GASTROENTEROLOGYIF25.1
OAAI分享收藏Colorectal Cancer: A Review of Carcinogenesis, Global Epidemiology, Current Challenges, Risk Factors, Preventive and Treatment StrategiesCancers
OAAI
CancersIF0
OAAI分享收藏
查看更多内容