NanoNet：视频胶囊内镜与结肠镜中的实时息肉分割
图像与视频处理
2021-04-23 v1 计算机视觉与模式识别
摘要
胃肠道内镜中的深度学习可辅助提升临床表现，并有助于更准确地评估病变。就此而言，能够执行自动实时感兴趣区域勾画的语义分割方法（例如癌或癌前病损的边界识别）可同时有益于诊断与干预。然而，由于高度的操作者依赖性与高清图像质量，内镜图像的准确实时分割极具挑战。为在临床环境中应用自动化方法，设计具有低延迟的轻量模型以集成于低端内镜硬件设备至关重要。本工作中，我们提出NanoNet，一种用于视频胶囊内镜与结肠镜图像分割的新架构。我们所提架构可实现实时性能，且相较其他更复杂模型具有更高的分割精度。我们使用含息肉的视频胶囊内镜与标准结肠镜数据集，以及一个由内镜活检与手术器械组成的数据集来评估方法的有效性。我们的实验证明了该架构在模型复杂度、速度、模型参数与度量性能之间权衡上的性能提升。此外，所得模型尺寸相对极小，仅约36,000个参数，而传统深度学习方法具有数百万参数。
引用
@article{arxiv.2104.11138,
title = {NanoNet: Real-Time Polyp Segmentation in Video Capsule Endoscopy and Colonoscopy},
author = {Debesh Jha and Nikhil Kumar Tomar and Sharib Ali and Michael A. Riegler and Håvard D. Johansen and Dag Johansen and Thomas de Lange and Pål Halvorsen},
journal= {arXiv preprint arXiv:2104.11138},
year = {2021}
}
备注
Accepted at CBMS 2021