SPEEDNet：用于结肠镜图像的显著金字塔增强编码器-解码器网络
图像与视频处理
2023-12-05 v1 计算机视觉与模式识别
机器学习
摘要
准确识别和精确勾勒肿瘤或病灶等重要区域，是医学图像分析中的关键目标。本文提出了 SPEEDNet，一种用于精确分割结肠镜图像中病灶的新颖架构。SPEEDNet 使用了一种名为膨胀内卷金字塔卷积融合（DIPC）的新颖模块。DIPC 模块将膨胀内卷层成对组合成金字塔结构，将特征图转换为紧凑空间。这降低了总参数量，同时改善了在最优感受野上的表示学习，从而减轻了模糊效应。在 EBHISeg 数据集上，SPEEDNet 优于先前的三种网络：UNet、FeedNet 和 AttesResDUNet。具体而言，SPEEDNet 取得了 0.952 的平均 Dice 系数和 0.971 的召回率。定性结果和消融研究进一步提供了 SPEEDNet 有效性的见解。SPEEDNet 的模型大小为 9.81 MB，显著小于 UNet（22.84 MB）、FeedNet（185.58 MB）和 AttesResDUNet（140.09 MB）。
引用
@article{arxiv.2312.01128,
title = {SPEEDNet: Salient Pyramidal Enhancement Encoder-Decoder Network for Colonoscopy Images},
author = {Tushir Sahu and Vidhi Bhatt and Sai Chandra Teja R and Sparsh Mittal and Nagesh Kumar S},
journal= {arXiv preprint arXiv:2312.01128},
year = {2023}
}
备注
5 pages, 3 figures