[논문 리뷰] GRAFNet: Multiscale Retinal Processing via Guided Cortical Attention Feedback for Enhancing Medical Image Polyp Segmentation

Abdul Joseph Fofanah, Lian Wen외 4명|arXiv (Cornell University)|2026. 02. 15.

Retinal Imaging and Analysis인용 수 0

한 줄 요약

GRAFNet은 Guided Asymmetric Attention, Multiscale Retinal Modules, 및 Guided Cortical Attention Feedback으로 생물학적으로 영감을 받은 아키텍처를 도입하여 폴립 분할 성능을 향상시키고, 다섯 개 벤치마크에서 최첨단 결과와 더 나은 일반화를 달성한다.

ABSTRACT

Accurate polyp segmentation in colonoscopy is essential for cancer prevention but remains challenging due to: (1) high morphological variability (from flat to protruding lesions), (2) strong visual similarity to normal structures such as folds and vessels, and (3) the need for robust multi-scale detection. Existing deep learning approaches suffer from unidirectional processing, weak multi-scale fusion, and the absence of anatomical constraints, often leading to false positives (over-segmentation of normal structures) and false negatives (missed subtle flat lesions). We propose GRAFNet, a biologically inspired architecture that emulates the hierarchical organisation of the human visual system. GRAFNet integrates three key modules: (1) a Guided Asymmetric Attention Module (GAAM) that mimics orientation-tuned cortical neurones to emphasise polyp boundaries, (2) a MultiScale Retinal Module (MSRM) that replicates retinal ganglion cell pathways for parallel multi-feature analysis, and (3) a Guided Cortical Attention Feedback Module (GCAFM) that applies predictive coding for iterative refinement. These are unified in a Polyp Encoder-Decoder Module (PEDM) that enforces spatial-semantic consistency via resolution-adaptive feedback. Extensive experiments on five public benchmarks (Kvasir-SEG, CVC-300, CVC-ColonDB, CVC-Clinic, and PolypGen) demonstrate consistent state-of-the-art performance, with 3-8% Dice improvements and 10-20% higher generalisation over leading methods, while offering interpretable decision pathways. This work establishes a paradigm in which neural computation principles bridge the gap between AI accuracy and clinically trustworthy reasoning. Code is available at https://github.com/afofanah/GRAFNet.

연구 동기 및 목표

• 다양한 형태학 및 영상 조건에서 대장 내시경 검사에서 정확한 폴립 분할을 촉진한다.
• 망막 경로와 피질 피드백을 통합하는 생물학적으로 타당한 아키텍처를 개발한다.
• 해상도 적응 피드백을 가진 인코더–디코더를 통해 공간-시맨틱 일관성을 강제한다.
• 주목 기반의 피드백 구동 처리로 해석 가능한 의사 결정 경로를 제공한다.

제안 방법

• 경계 강화 주의에 대한 방향 조정 V1 뉴런을 에뮬레이션하기 위해 GAAM를 도입한다.
• 다중 특징 분석을 위한 망막 평행 경로(parvocellular, magnocellular, koniocellular, ON–OFF)를 재현하기 위해 MSRM을 구현한다.
• 예측 부호화를 적용하고 고수준 해부학적 선행 정보를 사용하여 특징을 다듬기 위해 GCAFM를 추가한다.
• 계층적이고 해상도 적응 피드백 조정을 위한 Polyp Encoder–Decoder Module (PEDM)을 삽입한다.
• 세분화 손실과 피드백 일관성 및 주의 지침 항을 결합한 생체 영감을 받은 손실 LBIO로 학습한다.

실험 결과

연구 질문

• RQ1 RQ1: 피질 피드백이 표준 주의 및 최첨단 방법에 비해 분할 성능을 향상시키는가?
• RQ2 RQ2: 다중 스케일 망막 경로가 정상 해부학에서의 위양성(false positives)을 줄이는가?
• RQ3 RQ3: 비대칭(방향 튜닝) 주의가 미세한 평평한 병변 탐지에 도움이 되는가?
• RQ4 RQ4: 가이드된 피드백이 스케일 간 주의 집중 흐름을 방지하는가?
• RQ5 RQ5: 각 생물학적 모듈의 성능 기여도(무 Ablation) 는 무엇인가?
• RQ6 RQ6: 신경생물학적 설계가 교차 데이터셋 일반화를 개선하는가?

주요 결과

• GRAFNet은 다섯 개 데이터세트에서 최첨단 분할 성능을 달성하며, Dice 개선 3–8% 및 선두 방법 대비 일반화가 10–20% 더 높다.
• CVC-ClinicDB 및 Kvasir-SEG에서 Dice 점수는 각각 0.9290 및 0.9146에 도달하고, BF1은 약 0.9090 및 0.9163이다.
• CVC-ColonDB, CVC-300에서 다수 지표에서 최상위 혹은 근소한 최상위 점수를 달성하며, Dice 및 IoU 포함(일부 비교에서 Dice 최대 0.9461 등).
• 무 Ablation은 MSRM이 먼저 상당한 이득을 제공하고 그 뒤를 GAAM과 GCAFM이 이고, 최종적으로 전체 GRAFNet이 ClinicDB/Kvasir-SEG에서 Dice 0.9425, 각각 ClinicDB/Kvasir-SEG에서, 그리고 CVC-ColonDB/CVC-300에서 각각 Dice 0.9461/0.8896를 달성한다.
• GRAFNet은 정상 해부학에서의 위양성(FPR) 감소 및 높은 음성 예측값(NPV)으로 위양성 감소를 보이고, 스케일 간 주의 안정성(높은 AC/SC 점수)이 강하다.
• 미세한 평평한 병변 및 작은 폴립은 비대칭 주의의 이점을 보이며, 평평한 병변(<3 mm) 및 미묘한 병변(3–5 mm) 카테고리에서 일관된 Dice 이득을 얻는다.