一种用于胃肠道图像分析的分层多任务方法
图像与视频处理
2021-11-18 v1
摘要
大量不同的病变与病理可影响人体消化系统，导致危及生命的情况。早期检测对于成功治疗及提高当前生存率（例如结直肠癌）具有重要作用。实现检测的标准流程——内镜视频分析，会产生大量需由专家仔细分析的视觉数据。由于病理在颜色、形状及总体视觉外观上的广泛差异，以及图像质量的剧烈变化，该过程高度依赖操作者的经验与技能。本工作中，我们详述了在 2020 Endotect Challenge 中针对胃肠道（GI）人体 tract 图像多类别分类任务的解决方案。我们的方法基于卷积神经网络（Convolutional Neural Network），最小化分层误差函数，该函数不仅考虑发现类别，还考虑其在 GI tract 中的位置（下/上 tract）以及发现类型（病理发现/治疗干预/解剖标志/黏膜视图质量）。本文还描述了针对挑战中结肠镜息肉分割任务的解决方案，其采用预训练的双编码器-解码器网络。我们的内部交叉验证结果显示，分类任务平均性能为 91.25 Mathews 相关系数（MCC）与 91.82 Micro-F1 分数，息肉分割任务为 92.30 F1 分数。主办方就隐藏测试集上两任务的性能给出反馈：分类为 85.61 MCC 与 86.96 F1 分数，息肉分割为 91.97 F1 分数。撰写本文时该挑战尚未发布公开排名。
引用
@article{arxiv.2111.08707,
title = {A Hierarchical Multi-Task Approach to Gastrointestinal Image Analysis},
author = {Adrian Galdran and Gustavo Carneiro and Miguel A. González Ballester},
journal= {arXiv preprint arXiv:2111.08707},
year = {2021}
}