一种高效的息肉分割网络

癌症是一种因细胞不受控分裂和增殖而引发的疾病。结肠癌是全球最常见的癌症类型之一。大肠中可见的息肉若未通过早期干预切除，可能导致癌症。深度学习和图像分割技术被用于尽量减少专家在这些干预过程中未被察觉的息肉数量。尽管这些技术在准确率方面表现良好，但它们需要过多参数。我们提出一种新模型来解决此问题。我们所提模型所需参数更少，且优于最先进（state-of-the-art）模型。我们采用 EfficientNetB0 作为编码器部分，因其在各项任务中表现良好且所需参数较少。我们使用部分解码器，以在减少参数数量的同时实现高分割精度。由于息肉外观和大小可变，我们使用非对称卷积块替代经典卷积块。随后，我们使用 squeeze and excitation 块对每个特征图加权以改善分割结果。我们使用 Kvasir 和 CVC-ClinicDB 数据集的不同划分进行训练、验证和测试，同时使用 CVC-ColonDB、ETIS 和 Endoscene 数据集进行测试。我们的模型在 ColonDB 测试集上以 71.8% 的 Dice 指标、EndoScene 测试集上 89.3%、ETIS 测试集上 74.8% 优于最先进模型，且所需参数更少。我们的模型共需 2,626,337 个参数，而最先进模型中与之最接近的 U-Net++ 有 9,042,177 个参数。