UViT-Seg:一种基于ViT和U-Net的高效框架,用于在结肠镜和WCE图像中准确分离结肠直肠息肉

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 结肠直肠癌 (CRC) 是全球领先的癌症,早期检测聚对预防至关重要.
• 对胃肠道图像进行手动分析以确定多片细分是耗时且容易出现错误的.
• 目前的深度学习方法,主要是卷积神经网络 (CNN),由于特征学习有限,难以精确地定位聚.

研究的目的:

• 引入UViT-Seg,这是一个用于在胃肠内镜图像中准确细分多的新框架.
• 通过整合远程和低水平特征提取来解决现有方法的局限性.
• 开发一个高效和有效的工具,用于计算机辅助的多体检测和诊断.

主要方法:

• UViT-Seg采用编码器-解码器架构,将语义信息的视觉变压器与详细特征的注意力机制的CNN模块相结合.
• 该框架是根据五个公共数据集进行评估的:CVC诊所,ColonDB,Kvasir-SEG,ETIS Laribseg和Kvasir囊-SEG.
• 性能与现有的细分方法和最先进的方法进行基准测试,包括对未见数据的概括测试.

主要成果:

• UViT-Seg在跨多个数据集的聚本地化方面表现出卓越的性能.
• 在CVC Colon数据集中,获得了0.915的平均子系数和0.902的平均交叉点.
• 该模型显示了在不包括在培训中的数据集上强大的概括能力.

结论:

• 通过利用多种特征提取技术,UViT-Seg有效地对胃肠道图像中的息肉进行细分.
• 与传统方法相比,该框架提供了更好的准确性和效率,使其适合于现实世界的临床应用.
• UViT-Seg为预防结直肠癌的计算机辅助诊断提供了一个有前途的进步.