BetterNet：结合残差学习与注意力机制的高效CNN架构用于精确息肉分割
图像与视频处理
2024-05-08 v1 计算机视觉与模式识别
机器学习
摘要
结直肠癌是导致癌症相关死亡的重要原因。通过结肠镜筛查及时识别和切除息肉对于降低死亡率至关重要。由于息肉在大小、形状、纹理以及与周围组织的相似性等方面存在差异，准确检测结肠镜图像中的息肉具有挑战性。当前的深度学习方法在捕捉分割所需的长程连接方面常常遇到困难。本研究提出了BetterNet，一种结合残差学习和注意力方法的卷积神经网络（CNN）架构，以提高息肉分割的准确性。主要特点包括：（1）残差解码器架构，促进高效梯度传播和多尺度特征集成。（2）解码器块内的通道和空间注意力块，将学习过程集中在息肉区域的相关部分。（3）在息肉分割基准上实现最先进的性能，同时确保计算效率。（4）进行了彻底的消融测试以确认架构组件的影响。（5）模型代码已开源以供进一步贡献。在Kvasir-SEG、CVC ClinicDB、Endoscene、EndoTect和Kvasir-Sessile等数据集上进行的大量评估表明，BetterNet在分割准确性方面显著优于当前SOTA模型。轻量级设计使其能够用于各种应用的实时推理。BetterNet在整合计算机辅助诊断技术以增强息肉检测和早期癌症识别方面显示出前景。代码链接：https://github.com/itsOwen/BetterNet。
引用
@article{arxiv.2405.04288,
title = {BetterNet: An Efficient CNN Architecture with Residual Learning and Attention for Precision Polyp Segmentation},
author = {Owen Singh and Sandeep Singh Sengar},
journal= {arXiv preprint arXiv:2405.04288},
year = {2024}
}