卷积神经网络和转换器组合用于聚片细分.

科学领域:

• 计算机视觉 计算机视觉
• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 语义细分对图像中的每个像素进行分类,这对于医疗诊断等任务至关重要.
• 精确的息肉细分有助于早期发现疾病,减少潜在的健康后果.
• 深度集合学习模型提供了一种有希望的方法来提高细分精度.

研究的目的:

• 审查聚合物细分的深度集体学习模型.
• 开发结合卷积神经网络和变压器的新型组合,以改进多细分.
• 通过平均中间面具来获得细分面具的新方法.

主要方法:

• 对聚合物细分的深度集体学习模型的文献综述.
• 通过结合不同的模型 (HardNet-MSEG,Polyp-PVT,HSNet) 开发合唱团.
• 利用各种数据增强,优化方法和学习率来确保组件多样性.
• 引入了一种新型的细分口罩生成方法,通过平均介质口罩后的Sigmoid激活.

主要成果:

• 拟议的集合在五个突出的数据集中显示出优越的平均性能.
• 在两个数据集上结合了超越性能的最先进方法,即使没有具体的个人培训.
• 实验评估证实了各种培训策略和中间面具平均化技术的有效性.

结论:

• 深度集体学习,特别是具有多样化的组件和新型面具平均值,显著推进了聚细分.
• 开发的集体代表了医疗图像细分任务的最先进解决方案.
• 这项工作为未来使用计算机视觉进行自动化医疗诊断的研究提供了坚实的基础.