Mehrschichtige Detektion maligner Gewebe bei Koloskopie mit adversarischer CAC-UNet

Das automatische und objektive medizinische Diagnosemodell kann von großem Wert sein, um eine frühe Krebsdetektion zu ermöglichen und damit die Sterblichkeitsrate zu senken. In diesem Artikel stellen wir ein hocheffizientes mehrstufiges Erkennungsverfahren für maligne Gewebe vor, das auf dem entworfenen adversarialen CAC-UNet basiert. Zur Eliminierung negativer Whole Slide Images (WSIs) wird ein Patch-Ebene-Modell mit einer Vorhersagestrategie und einer durch maligne Bereichs-Guidance gesteuerten Label-Smoothing-Methode eingesetzt, um das Risiko einer falsch-positiven Detektion zu verringern. Für die ausgewählten Schlüsselpatches, die durch ein mehrmodellbasiertes Ensemble identifiziert wurden, wird ein adversariales kontextbewusstes und erscheinungskonsistentes UNet (CAC-UNet) entwickelt, um eine robuste Segmentierung zu erreichen. Im CAC-UNet ermöglichen spiegelartig angeordnete Diskriminatoren eine nahtlose Fusion der gesamten Merkmalskarten des geschickt entworfenen leistungsfähigen Backbone-Netzwerks ohne jeglichen Informationsverlust. Zudem wird ein Masken-Prior hinzugefügt, um die präzise Vorhersage der Segmentierungsmaske durch einen zusätzlichen Diskriminatoren im Masken-Domänenbereich zu unterstützen. Das vorgeschlagene Verfahren erzielt die besten Ergebnisse im MICCAI DigestPath2019-Wettbewerb im Bereich der Koloskopie-Gewebe-Segmentierung und -Klassifikation. Die vollständigen Implementierungsdetails sowie die trainierten Modelle sind unter https://github.com/Raykoooo/CAC-UNet verfügbar.