基于对抗性CAC-UNet的多层级结肠镜恶性组织检测

自动且客观的医学诊断模型在实现癌症早期检测方面具有重要价值，有助于降低癌症死亡率。本文提出了一种高效多层级恶性组织检测方法，基于所设计的对抗性上下文感知与外观一致性UNet（CAC-UNet）。该方法采用一种基于预预测策略的图像块级模型，并结合恶性区域引导的标签平滑技术，有效剔除阴性全切片图像（WSIs），从而降低假阳性检测的风险。对于通过多模型集成筛选出的关键图像块，本文进一步设计了对抗性上下文感知与外观一致性UNet（CAC-UNet），以实现鲁棒的分割效果。在CAC-UNet中，精心设计的镜像判别器能够无损地无缝融合强大主干网络的全局特征图，确保信息完整性。此外，还引入了掩码先验机制，通过额外的掩码域判别器引导精确的分割掩码预测。所提出的方案在MICCAI DigestPath2019挑战赛的结肠镜组织分割与分类任务中取得了最佳性能。完整的实现细节及训练好的模型已开源，详见：https://github.com/Raykoooo/CAC-UNet。