.png){kind=icon}
返回
CSA-Net: Class self-attention based feature extraction network for polyp segmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.bspc.2026.109488.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
息肉图像分割是医学图像分析中的一个关键任务，通过精确识别图像中的息肉，辅助医生进行准确诊断和治疗。近年来，深度学习尤其是卷积神经网络（CNN）的进展显著推动了息肉分割技术的发展。然而，由于息肉边界模糊且形状不规则，精确分割仍具挑战性。为应对这些挑战，我们开发了CSA-Net，一种专用的息肉分割网络，包含两个受Transformer启发的模块：邻域信息聚合（NIA）和多轴频域聚合（MAFA）。这些模块将类似Transformer的自注意力机制整合到CNN中，使模型能够有效捕获局部和全局特征。值得注意的是，MAFA利用频域中的谱能量实现更快的自注意力和更精确的全局特征控制。针对CNN中编码器到解码器的信息损失问题，我们引入两个新组件：层次特征单元（HFU）和反向边界增强（RBE）。HFU通过变换和级联促进多尺度交互，引导跨尺度的分割；RBE则整合局部和全局特征以细化边界。实验结果表明，该方法在息肉分割中具有有效性。具体而言，在Kvasir数据集上，模型达到mDice 0.924和mIoU 0.868的优异性能指标。这些结果凸显了CSA-Net在推动息肉分割领域的潜力，为医学图像分析应用提供了更高的准确性和鲁棒性。
Keyword:
Cross-scale fusion
Frequency domain information
Polyp segmentation
期刊
IF:
4.9
论文数:
1.0W
被引数:
2.4W
机构
引用论文
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BMANet: Boundary-guided multi-level attention network for polyp segmentation in colonoscopy imagesBMANet: 结肠镜图像中用于息肉分割的边界引导多级注意网络
PREAI
分享收藏
Cross-level Feature Aggregation Network for Polyp Segmentation用于息肉分割的跨层次特征聚合网络.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Automated Polyp Detection in Colonoscopy Videos Using Shape and Context Information使用形状和上下文信息在结肠镜检查视频中自动检测息肉
PREAI
分享收藏
查看更多内容