Rethinking Polyp Segmentation from an Out-of-Distribution Perspective

要約

既存の完全教師ありアプローチとは異なり、シンプルだが効果的な自己教師あり学習アプローチを使用して、分布外の観点から結腸直腸ポリープのセグメンテーションを再考します。
私たちは、マスクされたオートエンコーダー (再構成タスクで訓練された自己教師ありビジョン トランスフォーマー) の機能を利用して、分布内の表現を学習します。
ここでは、健康な結腸画像の分布を示します。
次に、特徴空間の標準化を使用して分布外の再構成と推論を実行し、さまざまな異常サンプルの潜在分布を健康なサンプルの統計と一致させます。
入力画像と再構成画像の差を計算することで各画像のピクセルごとの異常スコアを生成し、この信号を分布外 (つまり、ポリープ) セグメンテーションに使用します。
6 つのベンチマークに関する実験結果は、私たちのモデルが優れたセグメンテーション パフォーマンスを持ち、データセット全体で一般化できることを示しています。
私たちのコードは https://github.com/GewelsJI/Polyp-OOD で公開されています。

要約(オリジナル)

Unlike existing fully-supervised approaches, we rethink colorectal polyp segmentation from an out-of-distribution perspective with a simple but effective self-supervised learning approach. We leverage the ability of masked autoencoders — self-supervised vision transformers trained on a reconstruction task — to learn in-distribution representations; here, the distribution of healthy colon images. We then perform out-of-distribution reconstruction and inference, with feature space standardisation to align the latent distribution of the diverse abnormal samples with the statistics of the healthy samples. We generate per-pixel anomaly scores for each image by calculating the difference between the input and reconstructed images and use this signal for out-of-distribution (ie, polyp) segmentation. Experimental results on six benchmarks show that our model has excellent segmentation performance and generalises across datasets. Our code is publicly available at https://github.com/GewelsJI/Polyp-OOD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google