Focus U-Net：一种用于结肠镜息肉分割的新型双注意力门控 CNN
图像与视频处理
2021-06-23 v2 计算机视觉与模式识别
机器学习
摘要
背景：结肠镜检查仍是结直肠癌筛查的金标准。然而，已有报道称息肉漏诊率显著，尤其是在存在多个小腺瘤时。这为利用计算机辅助系统支持临床医生并减少漏诊息肉数量提供了机会。方法：本工作中我们引入 Focus U-Net，一种新颖的双注意力门控深度神经网络，它将高效的空间与基于通道的注意力结合到单一的 Focus Gate 模块中，以鼓励对息肉特征的选择性学习。Focus U-Net 进一步结合了短程跳跃连接和深度监督。此外，我们引入 Hybrid Focal loss，一种基于 Focal loss 和 Focal Tversky loss 的新型复合损失函数，用于处理类不平衡图像分割。实验中，我们选择了五个包含光学结肠镜下的息肉图像的公共数据集：CVC-ClinicDB、Kvasir-SEG、CVC-ColonDB、ETIS-Larib PolypDB 和 EndoScene 测试集。为评估模型性能，我们使用 Dice 相似系数（DSC）和交并比（IoU）指标。结果：我们的模型在 CVC-ClinicDB 和 Kvasir-SEG 上均取得了最先进的结果，平均 DSC 分别为 0.941 和 0.910。当在五个公共息肉数据集的组合上评估时，我们的模型同样取得了最先进的结果，平均 DSC 为 0.878，平均 IoU 为 0.809，较之前最先进的结果 0.768 和 0.702 分别提升了 14% 和 15%。结论：本研究表明深度学习有潜力提供快速且准确的结肠镜息肉分割结果。Focus U-Net 可经调整用于未来更新的非侵入性筛查，并可更广泛地应用于其他涉及类不平衡且需要效率的生物医学图像分割任务。
引用
@article{arxiv.2105.07467,
title = {Focus U-Net: A novel dual attention-gated CNN for polyp segmentation during colonoscopy},
author = {Michael Yeung and Evis Sala and Carola-Bibiane Schönlieb and Leonardo Rundo},
journal= {arXiv preprint arXiv:2105.07467},
year = {2021}
}