通过计算机视觉挑战赛评估基于深度学习的大肠息肉检测与分割方法的泛化性
计算机视觉与模式识别
2022-02-25 v1 人工智能
机器学习
摘要
息肉是经结肠镜识别的众所周知的癌症前体。然而,其在大小、位置和表面上的变异性极大影响了识别、定位和表征。此外,结肠镜监测与息肉切除(称为息肉切除术)是高度依赖操作者的操作。由于结肠息肉的可变性质、勾画异常区域的困难、高复发率以及结肠的解剖地形,存在较高的漏检率和结肠息肉切除不全。在实现使用机器学习对这些息肉进行自动检测和分割的方法方面已有若干进展。然而,大多数这些方法的主要缺陷在于其泛化到来自不同中心、模态和采集系统的样本外未见过的数据集的能力。为严格检验该假设,我们策划了一个从多个结肠镜系统获取的多中心和多人群数据集,并挑战由机器学习专家组成的团队来开发鲁棒的自动检测与分割方法,作为我们众包内镜计算机视觉挑战赛(EndoCV)2021的一部分。在本文中,我们分析了七个团队中排名前四的团队的检测结果以及16个团队中排名前五的团队的分割结果。我们的分析表明,排名靠前的团队侧重于准确性(即在不同验证集上总体Dice分数准确率>80%),而非临床适用性所需的实时性能。我们进一步剖析这些方法,并提供一个基于实验的假设,其揭示了需要改进泛化性以应对多中心数据集中存在的多样性。
引用
@article{arxiv.2202.12031,
title = {Assessing generalisability of deep learning-based polyp detection and segmentation methods through a computer vision challenge},
author = {Sharib Ali and Noha Ghatwary and Debesh Jha and Ece Isik-Polat and Gorkem Polat and Chen Yang and Wuyang Li and Adrian Galdran and Miguel-Ángel González Ballester and Vajira Thambawita and Steven Hicks and Sahadev Poudel and Sang-Woong Lee and Ziyi Jin and Tianyuan Gan and ChengHui Yu and JiangPeng Yan and Doyeob Yeo and Hyunseok Lee and Nikhil Kumar Tomar and Mahmood Haithmi and Amr Ahmed and Michael A. Riegler and Christian Daul and Pål Halvorsen and Jens Rittscher and Osama E. Salem and Dominique Lamarque and Renato Cannizzaro and Stefano Realdon and Thomas de Lange and James E. East},
journal= {arXiv preprint arXiv:2202.12031},
year = {2022}
}
备注
26 pages