Gland Segmentation Via Dual Encoders and Boundary-Enhanced Attention

要約

病理画像上の正確かつ自動化された腺セグメンテーションは、病理学者が結腸直腸腺癌の悪性度を診断するのに役立ちます。
しかし、さまざまな腺の形状、悪性腺の重度の変形、および腺間の重複した癒着のため。
腺のセグメント化は常に非常に困難でした。
これらの問題に対処するために、我々は DEA モデルを提案します。
このモデルは、バックボーンのエンコードおよびデコード ネットワークとローカル セマンティック抽出ネットワークの 2 つのブランチで構成されます。
バックボーンの符号化および復号化ネットワークは、高度なセマンティック特徴を抽出し、提案された特徴デコーダを使用して特徴空間情報を復元し、境界強化アテンションを通じて腺の境界特徴を強化します。
ローカル セマンティック抽出ネットワークは、事前トレーニングされた DeepLabv3+ をローカル セマンティック ガイド付きエンコーダーとして使用して、エッジ特徴の抽出を実現します。
GlaS と CRAG という 2 つの公開データセットに関する実験結果により、私たちの方法のパフォーマンスが他の腺セグメンテーション方法よりも優れていることが確認されています。

要約(オリジナル)

Accurate and automated gland segmentation on pathological images can assist pathologists in diagnosing the malignancy of colorectal adenocarcinoma. However, due to various gland shapes, severe deformation of malignant glands, and overlapping adhesions between glands. Gland segmentation has always been very challenging. To address these problems, we propose a DEA model. This model consists of two branches: the backbone encoding and decoding network and the local semantic extraction network. The backbone encoding and decoding network extracts advanced Semantic features, uses the proposed feature decoder to restore feature space information, and then enhances the boundary features of the gland through boundary enhancement attention. The local semantic extraction network uses the pre-trained DeepLabv3+ as a Local semantic-guided encoder to realize the extraction of edge features. Experimental results on two public datasets, GlaS and CRAG, confirm that the performance of our method is better than other gland segmentation methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google