论文标题：DDANet: Dual Decoder Attention Network for Automatic Polyp Segmentation 论文链接：https://arxiv.org/abs/2012.15245 代码链接：https://github.com/nikhilroxtomar/DDANet 作者单位：SimulaMet & 牛津大学 一种自动，准确和快速的息肉分割新网络，最终获得高精度，召回率，DSC，mIoU和FPS的性能！

结肠镜检查（Colonoscopy）是检查和检测大肠息肉的重要标准。息肉的定位和轮廓在治疗（例如手术计划）和预后决策中起着至关重要的作用。息肉分割可为临床分析提供详细的边界信息。卷积神经网络提高了结肠镜检查的性能。但是，息肉通常面临各种挑战，例如类内和类间变异以及噪声。人工标记息肉评估需要专家花费时间，并且容易发生人为错误（例如，遗漏的病灶），而自动，准确和快速的分割可以改善划定的病灶边界的质量并降低missed rate。Endotect挑战通过在公开可用的Hyperkvasir上进行训练并在单独的unseen 数据集上进行测试，提供了基准计算机视觉方法的机会。在本文中，我们提出了一种基于双解码器注意力网络的新颖架构``DDANet''。我们的实验表明，在Kvasir-SEG数据集上训练并在看不见的数据集上进行测试的模型实现了0.7874的骰子系数，0.710的mIoU，0.7987的查全率和0.8577的精度，证明了我们模型的泛化能力。

内容中包含的图片若涉及版权问题，请及时与我们联系删除