Kvasir-SEG
PulseAugur coverage of Kvasir-SEG — every cluster mentioning Kvasir-SEG across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型CSG-Mamba模型提高了内窥镜息肉分割的准确性
研究人员开发了CSG-Mamba，一种新型卷积评分门控视觉状态空间网络，旨在改进内窥镜息肉分割。该模型基于VM-UNet架构构建，在其瓶颈处集成了一个卷积评分门控模块，以重新校准状态空间特征。在Kvasir-SEG和CVC-ColonDB数据集上的实验表明，CSG-Mamba在重叠率和召回率指标上优于基线模型，同时保持了具有竞争力的边界准确性。
-
大型语言模型在息肉诊断方面展现潜力，但深度学习框架在分类方面领先
一项新研究使用PRIME数据集评估了几种大型语言模型（LLMs）在结直肠息肉分类中的诊断准确性。Claude Opus 4和Gemini 2.5 Pro在区分息肉亚型方面表现出最高的准确性，最接近专家共识，但总体敏感性和特异性未达到临床标准。另外，一个名为PolypVision的深度学习框架被开发用于息肉分类和分割，在公共数据集上取得了高性能，并提供了设备无关的解决方案。
-
新框架通过高效联邦学习提升息肉分割能力
研究人员开发了QFedPolyp，一个旨在提高息肉分割效率的新型联邦学习框架。该框架结合了感知量化训练和低精度模型通信，显著降低了传输成本和推理时间。通过在本地训练轻量级U-Net模型并传输量化参数，QFedPolyp能够在不损害分割精度的前提下，实现医院间的隐私保护协作。
-
新框架利用文本引导的本地化增强医学图像分割
研究人员开发了一个名为 LoG 的新框架，用于文本引导的医学图像分割。与以往依赖隐式提取的方法不同，该方法显式地从文本报告中捕获面向本地化的语义。LoG 在三个层面整合了视觉语言语义：特征融合、注意力融合和损失融合，所有这些都由本地化任务引导。在不同医学成像模态的三个数据集上进行的实验表明，LoG 的性能持续优于现有的最先进方法，并取得了较高的 Dice 分数。
-
OFD-Net：无需教师的医学图像分割框架发布
研究人员开发了OFD-Net，一种新颖的半监督医学图像分割框架，该框架不需要教师网络。该方法利用正交特征解耦模块（OFDM）将无标签数据分离为前景和背景表示，从而提高伪标签的可靠性并减少误差累积。该系统包含一个解耦引导模块（DGM）来注入结构先验，以及一个可靠性感知伪标签机制，该机制在训练期间降低不可靠区域的权重。在四个公开基准上的实验证明了OFD-Net在建立高效可靠的分割范式方面的有效性。
-
新型递归控制器增强轻量级息肉分割
研究人员开发了一种新颖的递归控制器，用于轻量级息肉分割，直接在骨干 logits 上操作以改进预测。该控制器聚合差异和不确定性证据来更新状态跟踪校正效用，并应用加性残差 logit 校正。该方法在 Kvasir-SEG 数据集和三个迁移数据集上使用统一协议进行评估，结果显示与开销极小的较重方法相比，性能持续提升且具有竞争力。
-
结肠镜息肉分割基准存在缺陷，审计发现 · 已追踪 2 个来源
对 2015 年至 2026 年间发表的 27 篇结肠镜息肉分割基准论文的最新审计显示，评估方法存在显著不一致。审计强调了三个关键问题：25 篇论文遗漏了关键的 Hausdorff 距离指标，对同一数据集上的研究使用了不兼容的训练/测试分割协议，以及 26 篇论文缺乏性能声明的统计显著性检验。即使在引入 Metrics Reloaded 框架后发表的论文中，这些问题仍然存在，表明需要更好地遵守标准化报告。为解决这些不足，提出了一项新的…
-
新的RadiomicNet架构通过可解释的人工智能增强医学图像分割
研究人员开发了RadiomicNet，这是一种新颖的深度学习医学图像分割架构，它集成了手工制作的放射组学特征，以增强可解释性并降低计算需求。这种混合方法使用带有灰度共生矩阵（GLCM）和局部二值模式（LBP）特征的放射组学注意力门（RAG），来指导轻量级MobileNetV2编码器-解码器中的注意力。RadiomicNet在乳腺超声图像（BUSI）数据集和Kvasir-SEG上取得了有竞争力的性能，同时使用的参数比标准的U-Net和U…
-
研究人员开发用于医学图像分割和持续学习的新型人工智能方法
研究人员正在开发先进的医学图像分割技术，以应对域偏移和提示依赖等挑战。一种方法侧重于SAM2等模型的无提示、参数高效微调，在降低计算成本的同时显著提高了准确性。另一项研究对医学分割的持续学习方法进行了基准测试，评估了遗忘之外的性能，并突出了基于重放方法的优势。此外，一个名为MedFlowSeg的新框架利用流匹配技术在医学图像分割中进行高效灵活的生成建模，其性能优于现有的基于扩散的方法。