基于深度学习的结肠镜中息肉实时检测、定位与分割
计算机视觉与模式识别
2021-04-02 v2
摘要
计算机辅助检测、定位与分割方法有助于改进结肠镜流程。尽管已构建许多方法来解决息肉的自动检测与分割，但最先进方法的基准测试仍是一个开放问题。这是由于可应用于息肉数据集的计算机视觉研究方法数量不断增加。对新方法进行基准测试可为自动息肉检测与分割任务的发展提供方向。此外，它确保学界所得结果可复现，并对所开发方法提供公平比较。本文使用Kvasir-SEG（一个用于息肉检测、定位与分割的开放获取结肠镜图像数据集）对若干近期最先进方法进行基准测试，评估其精度与速度。虽然文献中多数方法在精度上具有竞争力，我们表明所提出的ColonSegNet在平均精度0.8000与平均IoU 0.8100之间取得了更好权衡，并以每秒180帧的最快速度完成检测与定位任务。同样，所提出的ColonSegNet在分割任务中取得了0.8206的竞争性Dice系数与182.38帧每秒的最佳平均速度。我们与多种最先进方法的全面比较揭示了基准测试深度学习方法以实现自动实时息肉识别与勾画的重要性，这可能改变当前临床实践并最小化漏检率。
关键词
引用
@article{arxiv.2011.07631,
title = {Real-Time Polyp Detection, Localization and Segmentation in Colonoscopy Using Deep Learning},
author = {Debesh Jha and Sharib Ali and Nikhil Kumar Tomar and Håvard D. Johansen and Dag D. Johansen and Jens Rittscher and Michael A. Riegler and Pål Halvorsen},
journal= {arXiv preprint arXiv:2011.07631},
year = {2021}
}