基于自增强语义模型的自动多肠化 segmentation

自动多肠化分割对于有效诊断和治疗结肠镜图像至关重要。传统方法在准确描绘多肠化时面临特征表示和处理多肠化外观变异性限制。深度学习技术，包括CNN和Transformer-based方法，已用于提高分割精度。然而，现有方法常忽视额外语义，限制其获取结肠镜图像中多肠化上下文的能力。本文提出一种创新方法，称为“基于自增强语义模型的自动多肠化分割”，以解决上述限制。首先，我们从输入图像中提取特征序列，并解码高层特征生成初始分割掩码。通过提出的自增强语义模块，我们查询潜在语义并增强深层特征的额外语义，从而有效提升模型理解上下文的能力。广泛实验表明，所提方法在五个多肠化基准数据集上在更好的学习和泛化能力方面显著优于最先进的多肠化分割基线方法。