.png){kind=icon}
返回
DeepNeXt: a lightweight polyp segmentation algorithm based on multi-scale attention
.png){kind=icon}
OA
AI
DOI：10.21037/qims-24-985.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：结肠镜下息肉的快速准确自动分割在结直肠癌的早期诊断和治疗中发挥着关键作用。然而，当前基于深度神经网络的息肉分割算法存在模型较大和分割精度较低的问题。同时，实现息肉的准确分割旨在提高医生的诊断效率，这一需求促使我们开发一套轻量级模型，以便能够轻松嵌入临床设备以满足实际应用的需求。本研究旨在为临床应用中息肉的快速精确分割提供有效的技术支持。
方法：DeepNeXt是一种基于多尺度注意力机制的革新性息肉分割模型。DeepNeXt整合了一个多阶段、轻量级的卷积编码器模块，利用多个轻量级卷积层进行高效准确的特征提取。此外，它采用了一种新颖的多阶段特征融合结构，旨在规避编码阶段可能出现的特征信息损失。此外，该模型采用多尺度注意力特征编码模块，借助多分支深度条带卷积技术从编码后的特征图中提取多维信息，从而增强神经网络提取多样化特征信息的能力。
结果：在Kvasir分割数据集（Kvasir-SEG数据集）和结直肠癌临床数据库（CVC-ClinicDB数据集）上的实验验证表明，DeepNeXt在参数量和浮点运算次数（FLOPs）方面优于U-net、U-net++、TransUnet、SwinUnet和TGANet等主流网络。DeepNeXt的FLOPs指标仅为3.04 G，参数（Params）指标仅为1.51 M，同时实现了卓越的分割性能。在Kvasir-SEG数据集上，其平均交并比（mIOU）达到83.91，在CVC-ClinicDB数据集上达到87.37。此外，Dice和召回率指标也表现出更优结果，表明DeepNeXt在计算效率、模型紧凑性和分割精度之间实现了最佳平衡。
结论：综上所述，我们提出了DeepNeXt网络，一种专为计算受限的医疗设备设计的轻量级多尺度注意力分割网络，为临床应用中息肉的准确高效分割提供了强有力支持。
Keyword:
Attention mechanisms
efficient neural networks
multi-scale feature extraction
polyp segmentation
