基于对抗式 CAC-UNet 的多级结肠镜恶性组织检测
图像与视频处理
2020-07-01 v2 计算机视觉与模式识别
摘要
自动且客观的医疗诊断模型对于实现癌症早期检测从而降低死亡率具有重要价值。本文中，我们提出了一种通过所设计的对抗式 CAC-UNet 实现的高效多级恶性组织检测方案。采用带有预预测策略和恶性区域引导标签平滑的块级模型来剔除阴性 WSI，以降低假阳性检测风险。对于经多模型集成筛选出的关键图像块，设计了一种对抗式上下文感知与外观一致性 UNet（CAC-UNet）以实现鲁棒分割。在 CAC-UNet 中，镜像设计的判别器能够无缝融合精心设计的强大骨干网络的整体特征图而不丢失任何信息。此外，进一步加入掩码先验，通过额外的掩码域判别器引导准确的分割掩码预测。所提方案在 MICCAI DigestPath2019 结肠镜组织分割与分类任务挑战赛中取得最佳结果。完整的实现细节与训练好的模型可在 https://github.com/Raykoooo/CAC-UNet 获取。
引用
@article{arxiv.2006.15954,
title = {Multi-level colonoscopy malignant tissue detection with adversarial CAC-UNet},
author = {Chuang Zhu and Ke Mei and Ting Peng and Yihao Luo and Jun Liu and Ying Wang and Mulan Jin},
journal= {arXiv preprint arXiv:2006.15954},
year = {2020}
}
备注
accepted by Neurocomputing; winner of the MICCAI DigestPath 2019 challenge on colonoscopy tissue segmentation and classification task