Xiaoqi-Zhao-DLUT/MSNet-M2SNet

解決的問題

本專案提供兩種神經網路架構 MSNet 與 M2SNet，專為高精度醫療影像分割而設計。解決從醫療掃描中準確識別與分離特定解剖結構或病灶（如息肉、新冠肺部感染、乳腺腫瘤）的挑戰，同時維持低計算負荷（FLOPs）。

工作原理

系統採用「多尺度減法網路」方法。透過層內與層間的多尺度減法設計，捕捉不同尺度的特徵，幫助模型更精確地區分目標物件與背景。同時包含一個無需訓練的損失網路，以優化分割過程。

適用對象

本專案適用於醫療影像研究人員與開發者，用於建構 AI 驅動的診斷工具，例如結腸鏡檢查中的息肉分割、CT 掃描中的肺部感染分析，以及眼科中的 OCT 層分割。

亮點

• 多尺度減法：使用專用的層內與層間結構來優化分割圖。
• 多樣化醫療應用：在多種資料集上皆表現有效，包括息肉（影像與影片）、新冠肺部感染、乳腺超音波與 OCT 層。
• 計算高效：專為低 FLOPs 設計，特別是使用 Res2Net-50 主幹網路時。
• 獲獎成果：在 MICCAI 2022 GOALS 挑戰賽中，青光眼 OCT 分析項目獲得第二名。