通过边缘信息注入和选择性特征解耦的高级多余物分割
概率论
2024-05-21 v1
摘要
准确分割结肠镜图像中的多余物对于早期诊断和管理结直肠癌至关重要。尽管深度学习在多余物分割方面取得了进展，但仍存在持久的局限性。多余物的边缘通常模糊，难以与背景区分，模型性能常受无关或不重要特征的影响。为缓解这些挑战，我们提出了一种新型模型，称为 Edge-Prioritized Polyp Segmentation (EPPS)。具体而言，我们引入了 Edge Mapping Engine (EME)，旨在准确提取多余物的边缘。随后，我们设计了一个 Edge Information Injector (EII)，将捕获的边缘信息注入到解码器模块，以增强掩码预测。此外，我们引入了 Selective Feature Decoupler (SFD) 组件，以抑制噪声和无关特征对模型的影响。在三个广泛使用的多余物分割基准数据集上的大量实验表明，我们的方法在与其他最先进方法之间具有卓越的性能。
引用
@article{arxiv.2405.11845,
title = {Speed of Random Walks in Dirichlet Environment on a Galton-Watson Tree},
author = {Dongjian Qian and Yang Xiao},
journal= {arXiv preprint arXiv:2405.11845},
year = {2024}
}