GMSRF-Net：一种具有全局多尺度残差融合网络的改进泛化性息肉分割方法
图像与视频处理
2021-11-23 v1 计算机视觉与模式识别
摘要
结肠镜是金标准操作但高度依赖操作者。为有效降低漏检率，已有研究致力于自动化检测与分割癌前前体息肉。广泛使用的由编码器-解码器驱动的计算机辅助息肉分割系统在精度方面已取得高性能。然而，来自不同中心的息肉分割数据集可能遵循不同成像协议，导致数据分布差异。结果，多数方法性能下降且需针对每个特定数据集重新训练。我们通过提出全局多尺度残差融合网络（GMSRF-Net）解决此泛化性问题。我们提出的网络在所有分辨率尺度执行多尺度融合操作的同时保持高分辨率表示。为进一步利用尺度信息，我们在 GMSRF-Net 内设计跨多尺度注意力（CMSA）与多尺度特征选择（MSFS）模块。由 CMSA 与 MSFS 门控的重复融合操作展现了网络改进的泛化性。在两个不同息肉分割数据集上的实验表明，就 dice 系数而言，我们提出的 GMSRF-Net 在未见过的 CVC-ClinicDB 与未见过的 Kvasir-SEG 上分别比先前顶级 SOTA 方法高出 8.34% 与 10.31%。
引用
@article{arxiv.2111.10614,
title = {GMSRF-Net: An improved generalizability with global multi-scale residual fusion network for polyp segmentation},
author = {Abhishek Srivastava and Sukalpa Chanda and Debesh Jha and Umapada Pal and Sharib Ali},
journal= {arXiv preprint arXiv:2111.10614},
year = {2021}
}