边缘概率分布引导的结直肠息肉高分辨率分割网络

目的 结直肠息肉检测可以有效预防癌变，然而人工诊断往往存在较高漏检率，使用深度学习技术可以提供有助于诊断的细粒度信息，辅助医生进行筛查。实际场景中，息肉形态各异和息肉边缘模糊的特点会严重影响算法的准确性。针对这一问题，提出了一种边缘概率分布模型引导的结直肠息肉分割网络（edge distribution guided high-resolution network，HRNetED）。方法 本文所提的HRNetED网络使用HRNet结构作为网络主干，设计了一种堆叠残差卷积模块，显著降低模型参数量的同时提高模型性能；此外，本文使用边缘概率分布模型来描述息肉边缘，提高模型对边缘检测的稳定性；最后，本文在多尺度解码器中引入边缘检测任务，以加强模型对息肉边缘的感知。结果 本文在Kvasir-Seg （Kvasir segmentation dataset）、ETIS （ETIS larib polyp database）、CVC-ColonDB （colonoscopy videos challenge colon database）、CVC-ClinicDB （colonoscopy videos challenge clinic database）和CVC-300 （colonoscopy videos challenge 300） 5个数据集上进行测试。最终，HRNetED在CVC-ClinicDB和CVC-300数据集上的Dice系数（Dice similarity coefficient）和平均交并比（mean intersection over union，mIoU）指标均优于对比算法，且在CVCClinicDB数据集上相较于对比最优模型分别获得了1.25%和1.37%的提升；在ETIS数据集上，Dice系数表现优于对比最优算法；在CVC-ColonDB数据集上，Dice和mIoU处于较优水平。此外，HRNetED在Kvasir-Seg、ETIS、CVCColonDB数据集上的HD₉₅距离相较于对比最优算法分别降低了0.315%、29.19%和2.95%，在CVC-ClinicDB和CVC-300数据集上表现为次优，同样具有良好的性能。结论 本文提出的HRNetED网络在多个数据集中表现稳定，对于小目标、模糊息肉有较好的感知能力，对息肉轮廓检测能力更强。