基于 ResUNet++、条件随机场与测试时增强的结直肠息肉分割综合研究
计算机视觉与模式识别
2021-07-28 v1
摘要
结肠镜被视为结直肠癌及其癌前病变检测的黄金标准。然而，现有的检查方法受困于较高的总体漏检率，许多异常未被发现。基于先进机器学习算法的计算机辅助诊断系统被推崇为游戏规则改变者，能够识别内镜检查时医生忽略的结肠区域，并帮助检测和表征病变。在先前工作中，我们提出了 ResUNet++ 架构，并证明其相比同类 U-Net 和 ResUNet 产生更高效的结果。在本文中，我们证明通过使用条件随机场和测试时增强，可以进一步提升 ResUNet++ 架构的整体预测性能。我们进行了广泛评估，并使用六个公开可用数据集验证了改进：Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB、ETIS-Larib Polyp DB、ASU-Mayo Clinic Colonoscopy Video Database 和 CVC-VideoClinicDB。此外，我们将我们提出的架构与所得模型与其他最先进（State-of-the-art）方法进行比较。为探索 ResUNet++ 在不同公开可用息肉数据集上的泛化能力，以便其可用于真实世界环境，我们进行了广泛的交叉数据集评估。实验结果表明，应用 CRF 和 TTA 在相同数据集和交叉数据集上的各类息肉分割数据集中均提升了性能。
引用
@article{arxiv.2107.12435,
title = {A Comprehensive Study on Colorectal Polyp Segmentation with ResUNet++, Conditional Random Field and Test-Time Augmentation},
author = {Debesh Jha and Pia H. Smedsrud and Dag Johansen and Thomas de Lange and Håvard D. Johansen and Pål Halvorsen and Michael A. Riegler},
journal= {arXiv preprint arXiv:2107.12435},
year = {2021}
}
备注
Accepted at IEEE Journal of BioMedical and Health Informatics