HSSAM-Net:超大规模的转移聚合网络,用于内镜图像中精确的结直肠多片细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 结肠直肠癌是导致死亡的主要原因,需要通过结肠镜检测早期发现.
• 在内镜图像中精确的多片细分至关重要,但由于图像的变化和文物而具有挑战性.
• 目前的方法难以准确识别多重体,影响早期诊断.

研究的目的:

• 开发一个轻量级的深度学习框架,HSSAM-Net,用于在结肠镜图像中准确和高效的聚细分.
• 改进多个规模的上下文信息捕获,特征传播和纹理表示,以增强细分.
• 为计算机辅助结肠镜实时临床应用提供计算高效的解决方案.

主要方法:

• 拟议的HSSAM-Net框架集成超大规模转移聚合模块 (HSSAM) 和渐进的重复使用注意.
• 集成的最大对角聚合/分离 (MaxDP/MaxDUP) 功能,用于改进纹理表示和特征对齐.
• 在五个基准数据集上进行评估:Kvasir,CVC-ClinicDB,ETIS,CVC-300和EndoCV2020.

主要成果:

• HSSAM-Net实现了最先进的准确性,子得分为0.949-0.952和mIoU为0.924-0.930.
• 该模型以24.1 FPS的实时效率和仅有90万个参数的实时效率.
• 在多个基准数据集中,始终优于最先进的方法.

结论:

• HSSAM-Net提供了精度和计算效率之间的有利平衡,用于聚合物细分.
• 该模型的性能和速度使其适用于计算机辅助结肠镜实时临床应用.
• HSSAM-Net促进了用于早期检测结直肠癌的实用和可靠系统的开发.