ECC-PolypDet：基于对比学习的增强型 CenterNet 用于息肉自动检测
计算机视觉与模式识别
2024-01-11 v1
摘要
准确的息肉检测对于早期结直肠癌诊断至关重要。尽管近年来取得了显著进展，但复杂的结肠环境以及边界不清的隐蔽息肉仍对该领域构成严峻挑战。现有方法要么涉及计算代价高昂的上下文聚合，要么缺乏对息肉的先验建模，导致在困难病例中表现不佳。在本文中，我们提出了基于对比学习的增强型 CenterNet（ECC-PolypDet），这是一个两阶段训练与端到端推理框架，利用图像和边界框标注训练一个通用模型，并基于推理分数对其进行微调以获得最终的鲁棒模型。具体而言，我们在训练期间进行框辅助对比学习（BCL），以最小化前景息肉与背景之间的类内差异并最大化类间差异，从而使我们的模型能够捕捉隐蔽息肉。此外，为增强对小息肉的识别，我们设计了语义流引导的特征金字塔网络（SFFPN）来聚合多尺度特征，并设计了热图传播（HP）模块以增强模型对息肉目标的关注。在微调阶段，我们引入了 IoU 引导的样本重加权（ISR）机制，通过在微调期间自适应地调整每个样本的损失权重来优先处理困难样本。在六个大规模结肠镜数据集上的大量实验证明了我们的模型相较于先前最先进检测器的优越性。
引用
@article{arxiv.2401.04961,
title = {ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection},
author = {Yuncheng Jiang and Zixun Zhang and Yiwen Hu and Guanbin Li and Xiang Wan and Song Wu and Shuguang Cui and Silin Huang and Zhen Li},
journal= {arXiv preprint arXiv:2401.04961},
year = {2024}
}
备注
codes available at https://github.com/yuncheng97/ECC-PolypDet/tree/main