本改进已同步到YOLO-Magic框架!
摘要—早期检测和准确诊断可以预测恶性疾病转化的风险,从而增加有效治疗的可能性。轻微的症状和小范围的感染区域是一种不祥的警告,是疾病早期诊断的重中之重。深度学习算法,如卷积神经网络(CNNs),已被用于分割自然或医学对象,显示出有希望的结果。然而,由于卷积和池化操作在CNN中造成的信息丢失和压缩缺陷,分析图像中小面积医学对象仍然是一项挑战。这些损失和缺陷随着网络的加深变得越来越显著,特别是对于小型医学对象。为了应对这些挑战,我们提出了一种新颖的尺度变异注意力网络(SvANet),用于医学图像中精确的小尺度对象分割。SvANet包括蒙特卡洛注意力、尺度变异注意力和视觉变压器,这些结合了跨尺度特征并减轻了压缩伪影,以增强小型医学对象的区分度。定量实验结果表明SvANet的优越性能,分别在KiTS23、ISIC 2018、ATLAS、PolypGen、TissueNet、FIVES和SpermHealth数据集中,对肾肿瘤、皮肤病变、肝肿瘤、息肉、手术切除细胞、视网膜血管和精子进行分割,平均Dice系数分别达到96.12%、96.11%、89.79%、84.15%、80.2