FFCNet：基于傅里叶变换的频率学习与复卷积网络用于结肠疾病分类
图像与视频处理
2022-07-05 v1 计算机视觉与模式识别
摘要
结肠镜图像的可靠自动分类在评估结肠病变阶段与制定适当治疗方案方面具有重要意义。然而，由于亮度不均、位置多变、类间相似与类内差异，其具有挑战性，影响了分类精度。为解决上述问题，我们在本研究中提出一种基于傅里叶的频率复网络（FFCNet）用于结肠疾病分类。具体而言，FFCNet 是一种新颖的复网络，能够结合复卷积网络与频率学习，以克服实卷积操作导致的相位信息丢失。此外，我们的傅里叶变换将图像的平均亮度转移到频谱中的一个点（直流分量），通过解耦图像内容与亮度来缓解亮度不均的影响。而且，FFCNet 中的图像块打乱模块生成随机局部频谱块，使网络能够学习长程与局部疾病特异性特征，并提升困难样本的判别能力。我们在一个包含 2568 张结肠镜图像的院内数据集上评估了所提出的 FFCNet，表明我们的方法取得了高性能，以 86.35% 的准确率优于先前最先进（state-of-the-art）的方法，且准确率比骨干网络高 4.46%。带有代码的项目页面可在 https://github.com/soleilssss/FFCNet 获取。
引用
@article{arxiv.2207.01287,
title = {FFCNet: Fourier Transform-Based Frequency Learning and Complex Convolutional Network for Colon Disease Classification},
author = {Kai-Ni Wang and Yuting He and Shuaishuai Zhuang and Juzheng Miao and Xiaopu He and Ping Zhou and Guanyu Yang and Guang-Quan Zhou and Shuo Li},
journal= {arXiv preprint arXiv:2207.01287},
year = {2022}
}
备注
Accepted for publication at the 25th International Conference on Medical Image Computing and Computer Assisted Intervention - MICCAI 2022