ESFPNet：用于自发荧光支气管镜视频中实时病灶分割的高效深度学习架构
图像与视频处理
2023-05-24 v3 计算机视觉与模式识别
摘要
肺癌往往在晚期才被检出，导致患者死亡率高。因此，近期许多研究聚焦于疾病的早期检测。支气管镜检查是一种有效且非侵入性地发现肺癌早期表现（支气管病灶）的首选方法。特别地，自发荧光支气管镜（AFB）利用正常组织（绿色）与病变组织（红棕色）的不同颜色来区分其自发荧光特性。由于近期研究表明 AFB 在搜寻病灶方面具有高灵敏度，它已成为支气管气道检查中一种潜在的 pivotal 方法。遗憾的是，人工检视 AFB 视频极其繁琐且易出错，而针对潜在更稳健的自动 AFB 病灶分析所付出的努力有限。我们提出了一种称为 ESFPNet 的实时（处理吞吐量为 27 帧/秒）深度学习架构，用于在 AFB 视频流中准确分割并稳健检测支气管病灶。该架构的特征在于一个利用预训练 Mix Transformer（MiT）编码器的编码器结构，以及一个高效的逐级特征金字塔（ESFP）解码器结构。来自 20 名肺癌患者 AFB 气道检查视频的分割结果表明，我们的方法给出的平均 Dice 指数 = 0.756、平均交并比 = 0.624，优于其他近期架构所得结果。因此，ESFPNet 为医生在实时支气管气道检查中自信地进行病灶分割与检测提供了潜在工具。此外，我们的模型在其他领域展现出有前景的潜在适用性，其在 CVC-ClinicDB、ETIS-LaribPolypDB 数据集上的 state-of-the-art（SOTA）性能，以及在 Kvasir、CVC-ColonDB 数据集上的优越性能即证明了这一点。
引用
@article{arxiv.2207.07759,
title = {ESFPNet: efficient deep learning architecture for real-time lesion segmentation in autofluorescence bronchoscopic video},
author = {Qi Chang and Danish Ahmad and Jennifer Toth and Rebecca Bascom and William E. Higgins},
journal= {arXiv preprint arXiv:2207.07759},
year = {2023}
}
备注
SPIE 2023 drafts update