.png){kind=icon}
返回
RBML-Diff: Diffusion model with region-boundary mutual learning for polyp segmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.bspc.2026.110145.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管扩散模型在众多计算机视觉任务中表现突出，但这些模型通常难以有效捕捉边界与非边界信息的相关性，导致息肉分割中挑战区域分割结果不准确。为解决此问题，我们提出一种用于息肉分割的区域-边界互学习扩散模型，即RBML-Diff，这是一种灵活的双分支特征引导扩散框架。首先，我们设计了一个区域感知模块，能够实现层内特征交互和层间特征协作。该模块深入探索多尺度区域特征的相关性，提高了RBML-Diff对形态变化息肉的泛化能力。其次，我们设计了一个边界感知去噪网络，利用拉普拉斯算子增强边界信息提取，并在去噪过程中学习区域和边界特征以获得更准确的边界模糊息肉分割结果。我们在五个公开可用的息肉分割数据集上进行了广泛实验。实验结果表明，所提出的RBML-Diff在分割精度和推理时间方面优于当前最优方法，并在处理小息肉和平坦息肉等挑战性案例时表现出鲁棒性。源代码将发布于https://github.com/M0ck4ry/RBML-Diff。
Keyword:
polyp segmentation
diffusion model
region-boundary mutual learning
boundary-aware denoising
feature-guided diffusion
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Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏MedSegDiff-V2: Diffusion-Based Medical Image Segmentation with TransformerMedSegDiff-V2: 基于扩散的医学图像变换分割
OAAI
OAAI分享收藏
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
查看更多内容