TransNetR：基于 Transformer 的残差网络用于息肉分割及多中心分布外测试
图像与视频处理
2023-03-15 v1 计算机视觉与模式识别
摘要
结肠镜被视为检测结直肠癌（CRC）及其癌前病变即息肉的最有效筛查手段。然而，该操作因息肉异质性与观察者间依赖性而存在较高漏诊率。鉴于息肉检测与分割在临床实践中的关键性，已有若干深度学习驱动系统被提出。尽管取得了改进结果，现有自动化方法仍难以达到实时处理速度，且在跨患者数据（尤其来自不同中心采集的数据）上评估时性能显著下降。因此，我们旨在开发一种新颖的实时深度学习架构——基于 Transformer 的残差网络（TransNetR）——用于结肠息肉分割并评估其诊断性能。所提架构 TransNetR 为编码-解码网络，由预训练 ResNet50 作为编码器、三个解码器模块及网络末端的上采样层构成。TransNetR 在 Kvasir-SEG 数据集上取得 0.8706 的高 Dice 系数与 0.8016 的平均交并比，并保持 54.60 的实时处理速度。此外，本工作的主要贡献在于通过在分布外（测试分布未知且异于训练分布）数据集上测试所提算法来探究 TransNetR 的泛化性。作为一个用例，我们在 PolypGen（6 个独立中心）数据集及另外两个流行息肉分割基准数据集上测试了所提算法。在分布外测试中，我们在全部三个数据集上均取得了最先进（SOTA）性能。TransNetR 的源代码将于 https://github.com/DebeshJha 公开。
引用
@article{arxiv.2303.07428,
title = {TransNetR: Transformer-based Residual Network for Polyp Segmentation with Multi-Center Out-of-Distribution Testing},
author = {Debesh Jha and Nikhil Kumar Tomar and Vanshali Sharma and Ulas Bagci},
journal= {arXiv preprint arXiv:2303.07428},
year = {2023}
}
备注
Accepted at MIDL 2023