使用 DUCK-Net 进行息肉图像分割
计算机视觉与模式识别
2023-11-07 v1 机器学习
摘要
本文提出一种新颖的监督式卷积神经网络架构“DUCK-Net”，能够从少量医学图像中有效学习并泛化以执行准确的分割任务。我们的模型采用编码器-解码器结构，带有残差下采样机制和自定义卷积块，以在编码器段中捕获并处理多分辨率的图像信息。我们采用数据增强技术来丰富训练集，从而提升模型性能。尽管我们的架构通用且适用于多种分割任务，但在本研究中，我们具体展示了其在结肠镜图像中息肉分割的能力。我们在几个流行的息肉分割基准数据集 Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB 和 ETIS-LARIBPOLYPDB 上评估了方法性能，表明其在平均 Dice 系数、Jaccard 指数、精确率、召回率和准确率方面达到了 SOTA 结果。我们的方法展现出强大的泛化能力，即便在有限训练数据下也能取得优异性能。代码已在 GitHub 公开：https://github.com/RazvanDu/DUCK-Net
引用
@article{arxiv.2311.02239,
title = {Using DUCK-Net for Polyp Image Segmentation},
author = {Razvan-Gabriel Dumitru and Darius Peteleaza and Catalin Craciun},
journal= {arXiv preprint arXiv:2311.02239},
year = {2023}
}