CGMA-Net:多层次指导和多尺度聚合网络,用于片细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 大肠直肠癌 (CRC) 带来了显著的死亡和发病风险.
• 结肠镜对于预防和控制CRC至关重要.
• 手动的多胞体细分是耗时的,需要专家的意见.

研究的目的:

• 开发用于结肠镜图像的自动化多片细分方法.
• 解决现有方法的局限性,例如聚和粘膜之间的高度相似性.
• 为了提高在结肠镜检测中发现多的准确性和效率.

主要方法:

• 拟议的跨层面指导和多尺度聚合网络 (CGMA-Net).
• 集成的跨层次特征指导 (CFG) 区域突出显示.
• 使用多尺度聚合解码器 (MAD) 来捕获特征依赖.
• 使用的细节精细化 (DR) 具有异步卷积和对增强细节和整体信息的关注.

主要成果:

• 在基准数据集 (Kvasir-SEG和CVC-ClinicDB) 上,CGMA-Net实现了最先进的性能.
• 在Kvasir-SEG上实现了91.85%的子相似系数 (DSC),在CVC-ClinicDB上达到95.73%.
• 在各自的数据集上展示了强大的概括能力,DSC得分为86.25%和86.97%.
• CGMA-Net使用相对较少的参数实现了这些结果.

结论:

• CGMA-Net 在结肠镜检查中显著推进了自动化多片细分.
• 拟议的方法为手动细分提供了更有效,更准确的替代方案.
• 这项技术有可能改善结直肠癌的早期检测和管理.