通过频域脱来进行结肠镜聚细分的多尺度聚合网络
Yanling Wang1,2, Kho Lee Chin3, Ngu Sze Song3
1Faculty of Engineering, University Malaysia Sarawak, Kota Samarahan, 94300, Malaysia. wangyanling@qlit.edu.cn.
Scientific reports
|December 29, 2025
概括
这项研究介绍了FDANet,这是一种用于自动化结直肠多片细分的新型深度学习模型. 通过处理频率域中的特征,FDANet增强了结肠镜图像中的息肉检测,改善了早期癌症查.
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:
- 准确的结直肠多片细分对于早期结直肠癌的检测和治疗至关重要.
- 结肠镜图像分析的挑战包括多种多重体形态和可变的照明,妨碍精确的细分和边缘提取.
研究的目的:
- 开发一个先进的深度学习网络,FDANet,用于强大而准确的结直肠多的自动细分和边缘提取.
- 通过利用频域分析和多尺度特征聚合来提高多片细分的性能.
主要方法:
- 拟议的FDANet利用波波变换将空间特征分解为频率子频段,将低频和高频组件分开.
- 集成的低频注意力增强模块 (LAEM) 抑制噪音并增强前景功能.
- 集成的高频多尺度聚合模块 (HMAM) 具有定向卷曲和边缘损失功能,用于细粒边缘检测和多尺度聚体表示.
主要成果:
- 在CVC-ClinicDB和Kvasir-SEG数据集上,FDANet表现出卓越的细分性能.
- 拟议的方法在准确性和边界定位方面优于现有的先进细分技术.
- 频域处理有效地处理了多形态和照明的变化.
结论:
- FDANet为自动化结直肠多片细分提供了一个有前途的方法,增强了早期癌症查能力.
- 频域脱和多尺度特征聚合策略有效地解决了结肠镜图像中的细分挑战.
- 这种方法有助于更准确地检测聚和边界定位,帮助临床决策.
