面向多类别宫腔镜病灶检测的自适应判别检测网络ADD-Net
《Journal of Imaging》:ADD-Net: An Adaptive Discriminative Network for Multiclass Lesion Detection in Hysteroscopic Images
【字体:
大
中
小
】
时间:2026年09月23日
来源:Journal of Imaging 3.8
编辑推荐:
摘要
宫腔镜病灶检测旨在自动定位并分类宫腔镜图像中的病灶,从而辅助子宫内膜疾病的筛查与临床诊断。然而,宫腔镜图像中显著的背景杂波和类间视觉相似性会降低特征的判别能力。尽管现有方法融合了多尺度特征聚合或局部细节细化,但这些操作依赖固定的处理方案,限制了在不同成像条件下对特征
摘要
宫腔镜病灶检测旨在自动定位并分类宫腔镜图像中的病灶,从而辅助子宫内膜疾病的筛查与临床诊断。然而,宫腔镜图像中显著的背景杂波和类间视觉相似性会降低特征的判别能力。尽管现有方法融合了多尺度特征聚合或局部细节细化,但这些操作依赖固定的处理方案,限制了在不同成像条件下对特征进行自适应重标定,往往导致表征不稳定和类间混淆。为解决该问题,我们提出ADD-Net——一种面向多类别宫腔镜病灶检测的自适应判别检测网络。具体而言,该网络采用混合自适应特征调制策略,通过专家选择机制动态重标定主干特征,从而提升模型在复杂宫腔镜成像条件下的鲁棒性;原型混淆交互机制通过建模类原型及类间混淆关系,增强了类别判别能力;此外,模型利用病灶存在概率进一步提升检测稳定性。在HS-CMU数据集上,ADD-Net将Mamba YOLO-T的三次平均mAP@50从92.5%提升至93.3%,同时将参数量、计算开销和推理延迟分别降低约16.0%、13.5%和33.3%。实验结果表明,ADD-Net在保持高计算效率的同时提升了检测性能,展现了其在计算机辅助诊断中的应用潜力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号