基于DeepLabV3++的结肠镜图像多发性肠化瘤分割
图像与视频处理
2024-07-30 v1 计算机视觉与模式识别
摘要
在结肠镜图像中分割多发性肠化瘤对于早期识别和诊断是肠癌至关重要，而肠癌是全球癌症死亡原因的主要原因之一。先前的基于深度学习的模型，如注意力变体、UNet变体和Transformer衍生网络在捕捉复杂特征和复杂多发性肠化瘤形状方面取得了显著的成功。本研究我们引入了DeepLabv3++模型，这是DeepLabv3+架构的增强版本。其设计旨在提高结肠镜图像中多发性肠化瘤分割的精度和鲁棒性。我们的方法在MSPP模块中融合了多样化的深度可分离卷积层和注意力机制，增强了其捕捉多尺度和方向特征的能力。此外，重新设计的解码器进一步转换从编码器中提取的特征，以生成更有意义的分割图。我们的模型在三个公开数据集（CVC-ColonDB、CVC-ClinicDB、Kvasir-SEG）上的评估分别达到了96.20%、96.54%和96.08%的Dice系数。实验分析表明，DeepLabV3++在多发性肠化瘤分割任务中优于多个最新模型。此外，与基线DeepLabV3+模型相比，我们的DeepLabV3++在小、中、大尺寸多发性肠化瘤上显著减少了分割误差（例如假阳性/假阴性），大幅提升了多发性肠化瘤描绘能力，这对于结肠镜中的准确临床决策至关重要。
关键词
引用
@article{arxiv.2407.19327,
title = {Polyp segmentation in colonoscopy images using DeepLabV3++},
author = {Al Mohimanul Islam and Sadia Shakiba Bhuiyan and Mysun Mashira and Md. Rayhan Ahmed and Salekul Islam and Swakkhar Shatabda},
journal= {arXiv preprint arXiv:2407.19327},
year = {2024}
}
备注
15 pages, 4 figures , submitted to 'Elsevier'