Deep Learning for Improved Polyp Detection from Synthetic Narrow-Band Imaging

要約

結腸直腸がん (CRC) の有病率の増加に対処するために、ポリープの検出と除去のためのスクリーニング プログラムの有用性が証明されています。
結腸内視鏡検査は、CRC スクリーニングに最も効果的な検査法と考えられています。
検査を容易にするために、従来の白色光イメージング (WLI) 向けに、自動ポリープ検出のための深層学習ベースの方法が開発されました。
WLI と比較して、狭帯域イメージング (NBI) は結腸内視鏡検査中のポリープ分類を改善できますが、特別な機器が必要です。
NBI が利用できない場合に WLI での物体検出を改善するための前処理方法として、通常の WLI でキャプチャされた画像を合成 NBI (SNBI) に変換する CycleGAN ベースのフレームワークを提案します。
この論文では、比較的類似した WLI データセットと比較して、NBI でポリープ検出のより良い結果が得られることを最初に示しています。
第二に、実験結果は、私たちが提案したモダリティ変換が、元の WLI と比較して、WLI から生成された SNBI 画像上で改善されたポリープ検出を達成できることを示しています。
これは、WLI から SNBI への変換モデルにより、生成された SNBI 画像内のポリープ表面パターンの観察を強化できるためです。

要約(オリジナル)

To cope with the growing prevalence of colorectal cancer (CRC), screening programs for polyp detection and removal have proven their usefulness. Colonoscopy is considered the best-performing procedure for CRC screening. To ease the examination, deep learning based methods for automatic polyp detection have been developed for conventional white-light imaging (WLI). Compared with WLI, narrow-band imaging (NBI) can improve polyp classification during colonoscopy but requires special equipment. We propose a CycleGAN-based framework to convert images captured with regular WLI to synthetic NBI (SNBI) as a pre-processing method for improving object detection on WLI when NBI is unavailable. This paper first shows that better results for polyp detection can be achieved on NBI compared to a relatively similar dataset of WLI. Secondly, experimental results demonstrate that our proposed modality translation can achieve improved polyp detection on SNBI images generated from WLI compared to the original WLI. This is because our WLI-to-SNBI translation model can enhance the observation of polyp surface patterns in the generated SNBI images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google