Mamba架构下多级多尺度特征融合增强的息肉检测网络
Summary
No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.
Summarise with VIRAT Free to try with your Science Catalogs account.Abstract
目的针对结肠镜息肉图像边界模糊、尺度变化范围大的问题,现有分割模型常因计算冗余、特征表征能力不足,难以兼顾分割精度与处理效率。为此,本文提出一种基于Mamba架构的多级多尺度特征融合增强网络(multi-level and multi-scale feature fusion enhanced network, MMF-MambaNet),通过轻量化网络架构与高效上下文感知机制,提升模型对息肉边界细节的捕捉能力。方法MMF-MambaNet以Mamba变体网络VSSM(visual state space model, VSSM)作为骨干网络,通过嵌入局部序列样式转换增强模块对特征均值与方差进行随机重参数化处理,有效增强骨干特征多样性,网络核心包含三大关键模块:一是引入跨尺度上下文自感知注意力(cross-scale aware self-attention,CASA),通过深层特征引导,使各层级特征在保留细节的同时融入高层语义上下文;二是构建自适应细节增强模块(adaptive detail enhancing module, ADEM),以某一尺度为锚点,融合其他尺度的结构信息,构建语义完整的息肉细节表示;三是构建自适应全局-局部融合门控(adaptive global-local integration gate, AGLI),以轻量结构实现细粒度语义引导,助力网络聚焦语义可靠、边界清晰息肉区域,提升分割精度。此外,模型设计反向特征融合路径,将编码器输出的深层全局语义特征与浅层细节特征有机结合,最终生成包含清晰边界线索的精细化分割掩膜。结果在CVC-300、CVC-ClinicDB、Kvasir、CVC-ColonDB及ETIS-LaribPolypDB五大公开数据集上开展实验,将MMF-MambaNet与PraNet、VM-UNET-V2和Polyp-Mamba等8种医学图像分割领域的先进算法进行对比。在五个数据集上,与VM-UNET相比,mDice评估指标分别提升1.1%、5.0%、4.2%、9.1%和2.6%。此外,CVC-ColonDB数据集上的实验结果表明,与VM-UNET-V2相比,在mDice和mIoU上分别提升4.6%、6.2%。结论本文提出的MMF-MambaNet克服了在处理息肉边界模糊、尺度多变问题时的息肉区域提取精度与效率失衡局限,为结肠镜息肉的精准分割提供了高效可行的模型支撑。
Fields of Study & Subjects
Colorectal Cancer Screening and Detection
Advanced Neural Network Applications
AI in cancer detection
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 31
- Issue
- 8
- Pages
- 3060–3074
- Publication date
- 1 January 2026
- Language
- EN