Polyp- ddpm:基于扩散的语义Polyp合成增强分割 摘要： 本研究介绍了一种基于扩散的方法Polyp-DDPM，该方法用于生成假面条件下息肉的逼真图像，旨在增强胃肠道息肉的分割。我们的方法解决了与医学图像相关的数据限制、高注释成本和隐私问题的挑战。通过对分割掩模(代表异常区域的二进制掩模)的扩散模型进行调节，poly - ddpm在图像质量(实现fr起始距离(FID)得分为78.47

这篇论文的主要内容是介绍了一种名为多尺度差值网络（MSNet）的自动息肉分割方法。 1，模型整体结构 整体结构包括编码器，解码器，编码器和解码器之间是多尺度差值模块模块（MSM），以及一个额外的不需要训练的LossNet提供额外的监督信息。（不需要训练也能有用效果这点说实话我很疑惑） 2，MSM模块 1）SU是MSM的基础构建块，定义为两个相邻层次特征图（FA和FB）之间的元素级差值，

这篇论文的主要内容是关于一种用于息肉分割的自适应上下文选择网络（Adaptive Context Selection Network，简称ACSNet） 1，模型的整体结构 模型的整体结构基于编码器-解码器框架，并且包含了三个关键模块：局部上下文注意力模块（LCA）、全局上下文模块（GCM）和自适应选择模块（ASM）。 2，LCA模块 它的主要目的是在合并浅层特征时，通过挖掘硬样本来引

这是对FCBFormer的改进，我的关于FCBFormer的论文阅读笔记：论文阅读FCN-Transformer Feature Fusion for PolypSegmentation-CSDN博客 1，整体结构 依然是一个双分支结构，总体结构如下： 其中一个是全卷积分支，一个是Transformer分支。 和FCBFormer不同的是，对两个分支都做了一些修改。 2，FCB分支

本文架构如上图，十分简单明了。         通过RA模块，将深层的特征图做sigmoid处理，使其接近但不是二值图像，然后转变灰度，并将处理后的特征图直接与浅一层的特征图相乘。         这样做是因为模型在经过基层处理和深度监督后，已经基本能学会大致分割出病灶了，此时特征图中病灶为白，背景为黑。翻转灰度后，病灶为黑，背景为白。两种特征图相乘，要么是病灶分割得太小，

[论文地址] [代码] [MICCAI 23] Abstract 息肉的准确分割是筛查过程中有效诊断结直肠癌的关键步骤。 由于能够有效捕获多尺度上下文信息，普遍采用类似UNet 的编码器-解码器框架。 然而，两个主要限制阻碍了网络实现有效的特征传播和聚合。 首先，跳跃连接仅将单个尺度特征传输到解码器，这可能导致特征表示有限。 其次，特征在没有任何信息过滤器的情况下被传输，这对于在解码器处执

不确定性增强的上下文注意力用于息肉分割。添加链接描述 继续看不确定性的文章，这里是医学分割，和研究方向有一定的关系。 作者在特征图中考虑到了不确定区域。作者对U-Net进行了修改，（修改的完全看不到u-net的影子了），同时额外添加了encoder和decoder，在每一个预测结构都计算出一个特征图，并传播到下一个模块。有点类似于Cascade PSP的感觉。在每一个预测模块，之前的预测图用于计算