用于分割扁平与无蒂息肉的自监督 U-Net
图像与视频处理
2021-10-19 v1 计算机视觉与模式识别
机器学习
摘要
结直肠癌（CRC）对公共健康构成巨大威胁，它是美国第三大常见癌症病因。结直肠息肉的发展是癌症最早的征兆之一。早期发现和切除息肉可将存活率大幅提高至 90%。人工检查可能因息肉在颜色、形状、大小和外观上的差异而导致漏检。为此，人们提出了计算机辅助诊断系统（CADx），通过对结肠镜视频进行处理来检测息肉。该系统作为二次核查，帮助临床医生减少漏检，从而在息肉癌变前将其切除。息肉在颜色、形状、大小、纹理和外观上各异。因此，尽管 CADx 方案已很突出，息肉漏检率仍介于 6% 至 27% 之间。此外，直径小于 10 mm 的无蒂和扁平息肉更有可能未被检出。卷积神经网络（CNN）在息肉分割中已展现出良好前景。然而，这些工作均采用监督方法，并受限于数据集规模。据观察，较小数据集会降低 ResUNet++ 的分割精度。我们训练一个 U-Net 以图像中随机丢弃像素的修复作为代理任务。我们用于预训练的数据集是 Kvasir-SEG 数据集。随后在有限的 Kvasir-Sessile 数据集上进行监督训练。我们的实验结果表明，在有限标注数据集和较大未标注数据集下，自监督方法优于全监督方法。具体而言，我们的自监督 U-Net 表现优于五个在 Kvasir-Sessile 数据集上以监督方式训练的分割模型。
引用
@article{arxiv.2110.08776,
title = {Self-Supervised U-Net for Segmenting Flat and Sessile Polyps},
author = {Debayan Bhattacharya and Christian Betz and Dennis Eggert and Alexander Schlaefer},
journal= {arXiv preprint arXiv:2110.08776},
year = {2021}
}