Lesion-aware Dynamic Kernel for Polyp Segmentation

要約

自動で正確なポリープ セグメンテーションは、結腸直腸癌の早期診断において重要な役割を果たします。
しかし、1) ポリープの多様な形状、サイズ、明るさ、およびその他の外観特性、2) 隠されたポリープとその周辺領域との間のわずかなコントラストのために、これは常に困難な作業でした。
これらの問題に対処するために、ポリープ セグメンテーション用の病変認識動的ネットワーク (LDNet) を提案します。これは、動的カーネル生成および更新スキームを組み込んだ従来の u 字型エンコーダー デコーダー構造です。
具体的には、設計されたセグメンテーション ヘッドは、入力画像のグローバル コンテキスト機能に基づいて調整され、ポリープ セグメンテーション予測に従って、抽出された病変機能によって繰り返し更新されます。
このシンプルだが効果的なスキームにより、強力なセグメンテーション パフォーマンスと汎化機能がモデルに与えられます。
さらに、抽出された病変表現を利用して、調整された病変認識相互注意モジュール (LCA) によってポリープと背景領域の間の特徴のコントラストを強化し、長距離コンテキストをキャプチャする効率的な自己注意モジュール (ESA) を設計します。
関係、セグメンテーションの精度をさらに向上させます。
4 つの公開ポリープ ベンチマークと収集した大規模なポリープ データセットに関する広範な実験は、他の最先端のアプローチと比較して、この方法の優れたパフォーマンスを示しています。
ソース コードは https://github.com/ReaFly/LDNet で入手できます。

要約(オリジナル)

Automatic and accurate polyp segmentation plays an essential role in early colorectal cancer diagnosis. However, it has always been a challenging task due to 1) the diverse shape, size, brightness and other appearance characteristics of polyps, 2) the tiny contrast between concealed polyps and their surrounding regions. To address these problems, we propose a lesion-aware dynamic network (LDNet) for polyp segmentation, which is a traditional u-shape encoder-decoder structure incorporated with a dynamic kernel generation and updating scheme. Specifically, the designed segmentation head is conditioned on the global context features of the input image and iteratively updated by the extracted lesion features according to polyp segmentation predictions. This simple but effective scheme endows our model with powerful segmentation performance and generalization capability. Besides, we utilize the extracted lesion representation to enhance the feature contrast between the polyp and background regions by a tailored lesion-aware cross-attention module (LCA), and design an efficient self-attention module (ESA) to capture long-range context relations, further improving the segmentation accuracy. Extensive experiments on four public polyp benchmarks and our collected large-scale polyp dataset demonstrate the superior performance of our method compared with other state-of-the-art approaches. The source code is available at https://github.com/ReaFly/LDNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google