PraNet: Paralleles Reverse-Attention-Netzwerk für die Segmentierung von Polypen

Die Koloskopie ist eine effektive Technik zur Detektion von kolorektalen Polypen, die eng mit dem kolorektalen Krebs zusammenhängen. In der klinischen Praxis ist die Segmentierung von Polypen aus Koloskopiebildern von großer Bedeutung, da sie wertvolle Informationen für Diagnose und Chirurgie bereitstellt. Jedoch ist eine genaue Polypensegmentierung eine herausfordernde Aufgabe aus zwei Hauptgründen: (i) Polypen des gleichen Typs weisen eine Vielfalt an Größe, Farbe und Textur auf; und (ii) die Grenze zwischen einem Polypen und seiner umliegenden Schleimhaut ist nicht scharf. Um diese Herausforderungen zu bewältigen, schlagen wir ein paralleles Reverse-Attention-Netzwerk (PraNet) vor, das eine genaue Segmentierung von Polypen in Koloskopiebildern ermöglicht. Insbesondere aggregieren wir zunächst die Merkmale in den hochstufigen Schichten mithilfe eines parallelen partiellen Decoders (PPD). Basierend auf den kombinierten Merkmalen generieren wir dann eine globale Karte als Anfangsleitfläche für die nachfolgenden Komponenten. Zudem extrahieren wir die Randaussage mithilfe eines Reverse-Attention-Moduls (RA), das in der Lage ist, den Zusammenhang zwischen Bereichen und Randaussagen herzustellen. Dank des rekurrenten Kooperationsmechanismus zwischen Bereichen und Rändern kann unser PraNet jede fehlalignierte Vorhersage korrigieren und so die Segmentationgenauigkeit verbessern. Quantitative und qualitative Bewertungen an fünf anspruchsvollen Datensätzen unter Verwendung von sechs Metriken zeigen, dass unser PraNet die Segmentationgenauigkeit erheblich verbessert und zahlreiche Vorteile hinsichtlich der Generalisierbarkeit und der Echtzeit-Segmentationseffizienz bietet.