[论文解读] Polyp Segmentation in Colonoscopy Images Using Fully Convolutional Network

Mojtaba Akbari, Majid Mohrekesh+5 more|arXiv (Cornell University)|Feb 1, 2018

Colorectal Cancer Screening and Detection被引用 135

一句话总结

本文提出基于CNN的结肠镜息肉分割方法，具有新颖的训练补丁选择策略和对概率图的后处理，以提高在 CVC-ColonDB 数据集上的分割准确性。

ABSTRACT

Colorectal cancer is a one of the highest causes of cancer-related death, especially in men. Polyps are one of the main causes of colorectal cancer and early diagnosis of polyps by colonoscopy could result in successful treatment. Diagnosis of polyps in colonoscopy videos is a challenging task due to variations in the size and shape of polyps. In this paper we proposed a polyp segmentation method based on convolutional neural network. Performance of the method is enhanced by two strategies. First, we perform a novel image patch selection method in the training phase of the network. Second, in the test phase, we perform an effective post processing on the probability map that is produced by the network. Evaluation of the proposed method using the CVC-ColonDB database shows that our proposed method achieves more accurate results in comparison with previous colonoscopy video-segmentation methods.

研究动机与目标

• 促使在结肠镜检查中实现准确的息肉分割，以辅助早期结直肠癌检测。
• 开发针对结肠镜图像的息肉分割的卷积神经网络方法。
• 引入新颖的训练补丁选择方法以改善学习。
• 在测试阶段对网络概率图进行后处理以加强最终分割。
• 在标准数据集上评估该方法并与先前的结肠镜视频分割技术进行比较。

提出的方法

• 在结肠镜图像中使用卷积神经网络进行息肉分割。
• 在训练过程中提出一种新颖的图像补丁选择方法，以提高学习效率和性能。
• 在测试阶段对网络产生的概率图进行有效的后处理以细化分割。
• 在 CVC-ColonDB 数据库上评估该方法并与先前的方法进行比较。

实验结果

研究问题

• RQ1 基于CNN的框架能否在结肠镜图像的息肉分割中实现比先前方法更高的分割准确性？
• RQ2 训练过程中对图像补丁的有针对性选择是否会提高分割性能？
• RQ3 在测试时对概率图进行后处理是否能改善最终的分割结果？

主要发现

• 所提出的方法在 CVC-ColonDB 上相比以前的结肠镜视频分割方法获得更准确的结果。
• 采用新颖的图像补丁选择策略进行训练可提升学习效果。
• 在测试阶段对网络概率图进行后处理有助于提高分割结果。