用于分布外息肉分割的原型学习
计算机视觉与模式识别
2023-08-08 v1
摘要
现有基于结肠镜图像的息肉分割模型常在不同中心的数据集上无法提供可靠的分割结果，限制了其适用性。本研究的目标是构建一个鲁棒且泛化良好的分割模型 PrototypeLab，以辅助息肉分割。为此，我们将白光成像（WLI）、蓝光成像（BLI）、联动成像（LCI）与灵活光谱成像色增强（FICE）等多种光照模式纳入新分割模型，该模型学习为图像中每类对象创建原型。这些原型代表对象的形状、纹理、颜色等特征。我们的模型设计用于在来自多中心的分布外（OOD）数据集上有效工作。我们首先生成粗掩码，用于学习主对象类的原型，随后将其用于生成最终分割掩码。通过使用原型表示主类，我们的方法处理了医学图像中的变异性，并因原型捕获了数据的底层分布而对新数据具有良好的泛化能力。PrototypeLab 以近实时处理速度用于息肉分割，提供了 dice 系数 90\% 与 mIoU 85\% 的 promising 解决方案。它在 OOD 数据集上相较 16 种最先进图像分割架构取得更优性能，有望改善临床结果。代码见 https://github.com/xxxxx/PrototypeLab。
引用
@article{arxiv.2308.03709,
title = {Prototype Learning for Out-of-Distribution Polyp Segmentation},
author = {Nikhil Kumar Tomar and Debesh Jha and Ulas Bagci},
journal= {arXiv preprint arXiv:2308.03709},
year = {2023}
}