NA-segformer:基于邻居关注的多级变压器模型,用于结肠镜聚细分的结肠镜聚细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 全球结肠癌死亡人数正在增加,需要改进早期检测方法.
• 手动诊断结肠多是耗时且容易出现错误的.
• 使用深度学习的自动计算机辅助诊断 (CAD) 显示了准确的多片细分的潜力.

研究的目的:

• 引入NA-SegFormer,这是一个新的多级编码器-解码器架构,用于增强结肠镜聚细分.
• 解决细分结肠多瘤的挑战,包括大小变化和数据不平衡.
• 提高在结肠镜检查中自动检测多的效率和准确性.

主要方法:

• 开发了一个基于变压器的细分模型 (NA-SegFormer) 与一个新的邻居注意力机制用于补丁合并.
• 实现了统一的焦点损失函数,以处理结肠多数据集中的类别不平衡.
• 在不同的数据集上评估模型:Kvasir-SEG,Kvasir-Instrument和KvasirCapsule-SEG.

主要成果:

• 实现了高性能,子得分为94.30% (Kvasir-SEG),94.59% (Kvasir-Instrument) 和82.73% (KvasirCapsule-SEG). 获得了高性能,子得分为94.30% (Kvasir-SEG),94.59% (Kvasir-Instrument) 和82.73% (KvasirCapsule-SEG). 获得了高性能,子得分为94.30% (Kvasir-SEG),94.59% (Kvasir-Instrument) 和82.73% (KvasirCapsule-SEG). 获得了高性能,子得分为94.30% (Kvasir-SEG),94.59% (Kvasir-Instrument) 和82.73%.
• 获得了优异的准确率:98.26% (Kvasir-SEG),99.02% (Kvasir-Instrument) 和81.84% (KvasirCapsule-SEG) 的数据.
• 演示了每秒125.01 (FPS) 的快速推断速度,优于现有的模型.

结论:

• 与最先进的方法相比,NA-SegFormer显著提高了结肠多片细分的准确性和速度.
• 该模型在推断速度和准确性之间提供了有利的权衡,这对于实时应用至关重要.
• 这一进步对实时结肠镜聚细分和早期结肠癌检测具有重大前景.