融合多尺度门控卷积和窗口注意力的结肠息肉分割

结肠息肉的准确分割对于切除异常组织和降低息肉转换为结肠癌的风险具有重要意义.目前的结肠息肉分割模型在对息肉图像进行分割时存在着较高的误判率和分割精度较低的问题.为了实现对息肉图像的精准分割,提出了一种融合多尺度门控卷积和窗口注意力的结肠息肉分割模型(MGW-Net).首先,设计一种改进的多尺度门控卷积块(MGCM)取代U-Net的卷积块,来实现对结肠息肉图像信息的充分提取.其次,为了减少跳跃连接处的信息损失并充分利用网络底部信息,结合改进的空洞卷积和混合增强的残差窗口注意力构建了多信息融合增强模块(MFEM),以优化跳跃连接处的特征融合.在CVC-ClinicDB和Kvasir-SEG数据集上的实验结果表明,MGW-Net的相似性系数分别为93.8%和92.7%,平均交并比分别为89.4%和87.9%,在CVC-ColonDB、CVC-300和ETIS数据集上的实验结果表明其拥有较强的泛化性能,从而验证了MGW-Net可以有效地提高对结肠息肉分割的准确性和鲁棒性.

基于阶梯结构的U-Net结肠息肉分割算法

结肠息肉的精确分割对结直肠癌的诊断和治疗具有重要意义,目前的分割方法普遍存在有伪影、分割精度低等问题。该文提出一种基于阶梯结构的U-Net结肠息肉分割算法(SU-Net),使用U-Net的U型结构,利用Kronecker乘积来扩展标准空洞卷积核,构成Kronecker空洞卷积下采样有效扩大感受野,弥补传统空洞卷积容易丢失的细节特征;应用具有阶梯结构的融合模块,遵循扩展和堆叠原则形成阶梯状的分层结构,有效捕获上下文信息并从多个尺度聚合特征;在解码器引入卷积重构上采样模块生成密集的像素级预测图,捕获双线性插值上采样中缺少的精细信息。在Kvasir-SEG数据集和CVC-EndoSceneStill数据集上对模型进行了测试,相似系数(Dice)指标和交并比(IoU)指标分别达到了87.51%,88.75%和82.30%,85.64%。实验结果表明,该文所提方法改善了因过度曝光、低对比度引起的分割精度低的问题,同时消除了边界外部的图像伪影和图像内部不连贯的现象,优于其他息肉分割方法。