Xiaoqi-Zhao-DLUT/MSNet-M2SNet

解决的问题

本项目提供两种神经网络架构 MSNet 和 M2SNet，专为高精度医疗图像分割而设计。它解决了从医疗扫描中准确识别和分离特定解剖结构或病灶（如息肉、新冠肺部感染、乳腺肿瘤）的挑战，同时保持较低的计算开销（FLOPs）。

工作原理

系统采用“多尺度减法网络”方法。通过层内和层间多尺度减法设计，捕捉不同尺度的特征，帮助模型更好地将目标对象与背景区分开来。同时包含一个无需训练的损失网络，以优化分割过程。

适用人群

本项目适用于医疗影像研究人员和开发者，用于构建 AI 驱动的诊断工具，例如结肠镜检查中的息肉分割、CT 扫描中的肺部感染分析以及眼科中的 OCT 层分割。

亮点

• 多尺度减法：使用专用的层内和层间结构来优化分割图。
• 多场景医疗应用：在多种数据集上均表现有效，包括息肉（图像和视频）、新冠肺部感染、乳腺超声和 OCT 层。
• 计算高效：专为低 FLOPs 设计，特别是使用 Res2Net-50 主干网络时。
• 获奖成果：在 MICCAI 2022 GOALS 挑战赛中，青光眼 OCT 分析任务中获得第二名。