Edge-guided Multi-scale Attention Fusion Network for gastrointestinal tumor image classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Automated classification of gastrointestinal tumor images is a pivotal technology in computer-aided diagnostic systems. However, medical images are often affected by high-frequency noise due to limitations of acquisition devices and intrinsic tissue characteristics. In addition, lesion regions frequently exhibit blurred edges and low contrast, posing challenges for accurate extraction of discriminative features. To address these challenges, we propose a novel Edge-guided Multi-scale Attention Fusion Network (EdgeMAF-Net) for gastrointestinal tumor image classification. Specifically, we introduce a cross-stage partial fusion module that dynamically allocates features to both CNN and Transformer branches, enabling simultaneous modeling of local details and global context. This is complemented by a high-frequency attenuation and noise suppression mechanism, as well as a multi-scale edge attention calibration module, which integrates a three-stage enhancement strategy to capture features at different scales and delineate blurred boundaries. The module leverages a feature enhancement attention block to weight multi-source features, combined with a multi-scale edge enhancement block employing multi-scale pooling and edge extraction, and an adaptive gated fusion block to dynamically adjust feature fusion. EdgeMAF-Net outperforms existing methods in terms of accuracy, sensitivity, and boundary localization on the Chaoyang, Kvasir, and GasHisSDB datasets. Our code is available at https://github.com/Bambi-lab/EdgeMAF-Net .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle