基于深度学习的结肠镜检查中息肉的实时检测、定位和分割

计算机辅助检测、定位和分割方法可以提高结肠镜检查的效率。尽管已经开发了许多方法来解决息肉的自动检测和分割问题，但最先进的方法的基准测试仍然是一个开放的问题。这主要是由于越来越多的研究计算机视觉方法可以应用于息肉数据集。对新方法进行基准测试可以为自动化息肉检测和分割任务的发展提供方向。此外，它还确保了社区内产生的结果具有可重复性，并为已开发的方法提供了公平的比较。在本文中，我们使用Kvasir-SEG（一种公开访问的结肠镜图像数据集）对几种最近的最先进方法进行了基准测试，评估了这些方法在息肉检测、定位和分割方面的准确性和速度。虽然文献中的大多数方法在准确性方面表现出色，但我们展示了所提出的ColonSegNet在平均精度达到0.8000和平均交并比达到0.8100的情况下，实现了最佳的平衡，并且在检测和定位任务中达到了最快的180帧/秒的速度。同样，所提出的ColonSegNet在分割任务中也取得了具有竞争力的Dice系数0.8206和最佳的平均速度182.38帧/秒。我们与各种最先进方法进行全面比较的结果揭示了对深度学习方法进行基准测试的重要性，这些方法可以实现自动化的实时息肉识别和轮廓描绘，有望改变当前的临床实践并降低漏检率。