EPSegNet:轻量级的语义重新校准和组合,以实现高效的多片细分.

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 在瘤学瘤学.

背景情况:

• 结肠直肠癌 (CRC) 是导致死亡的首要原因,强调了早期检测和切除多胞体的必要性.
• 目前的高精度聚合物细分方法在计算上昂贵,而更快的模型会损害精度.
• 现有的编码器-解码器架构在有效的空间信息捕获和有限的解码器接收领域方面扎.

研究的目的:

• 开发一种新,高效的聚细分网络 (EPSegNet),实现高精度,小模型大小和快速处理速度.
• 解决现有的医学语义细分算法的计算成本和特征提取效率方面的局限性.

主要方法:

• 提出了一种轻量级特征提取和重新校准模块 (LFERM),用于高效的密集多尺度特征提取.
• 在LFERM中引入了一个空间信息重新校准 (SIR) 块,以有效地完善空间信息.
• 开发了一种新的轻量级语义组装解码器 (LSAD),用于从全球范围内组装通道和像素语义.

主要成果:

• 与Kvasir-SEG,CVC-ClinicDB和CVC-ColonDB数据集上的最先进方法相比,EPSegNet在准确性,模型大小和速度之间取得了更好的平衡.
• 在Kvasir-SEG上只用0.34万个参数实现了79.37%的IOU和86.74%的子.
• 在一个NVIDIA GEFORCE RTX 2080Ti单一的输入尺寸为3 × 384 × 384的输入尺寸上,实现了128 FPS的处理速度.

结论:

• 在临床应用中,EPSegNet提供了高效的聚细分解决方案,满足临床应用中对精度,大小和速度的要求.
• 拟议的LFERM和LSAD模块有效地增强特征提取和语义组合,以提高细分性能.
• 这种轻量级的网络有助于更快,更容易的早期检测结直肠多,有助于预防CRC.