TransResU-Net: Transformer-basierte ResU-Net für die Echtzeit-Segmentierung von Polypen bei Koloskopien

Darmkrebs (Colorectal Cancer, CRC) ist weltweit eine der häufigsten Ursachen für Krebserkrankungen und krebsbedingte Sterblichkeit. Die rechtzeitige Durchführung von Kolonoskopie-Screening ist entscheidend für die Früherkennung. Die Kolonoskopie stellt die primäre Methode zur Diagnose von Kolonkarzinomen dar. Dennoch bleibt die Fehldetektionsrate von Polypen, Adenomen und fortgeschrittenen Adenomen erheblich hoch. Die Früherkennung von Polypen im präkanzerösen Stadium kann zur Senkung der Sterblichkeitsrate und der damit verbundenen wirtschaftlichen Belastung durch Darmkrebs beitragen. Deep-Learning-basierte Computer-Aided-Diagnosis-Systeme (CADx) könnten Gastroenterologen dabei unterstützen, Polypen zu erkennen, die andernfalls übersehen werden könnten, was die Detektionsrate von Polypen verbessern würde. Zudem könnte ein CADx-System kosteneffektiv sein und die langfristige Prävention von Darmkrebs fördern. In dieser Studie stellen wir eine tiefenlernenbasierte Architektur für die automatische Segmentierung von Polypen vor, die als Transformer ResU-Net (TransResU-Net) bezeichnet wird. Die vorgeschlagene Architektur basiert auf Residual-Blöcken mit ResNet-50 als Backbone und nutzt die Vorteile des Transformer-Self-Attention-Mechanismus sowie dilatierter Faltungen. Unsere experimentellen Ergebnisse auf zwei öffentlich verfügbaren Benchmark-Datensätzen für die Polypen-Segmentierung zeigten, dass TransResU-Net eine hochversprechende Dice-Score-Wertung und Echtzeitgeschwindigkeit erzielte. Aufgrund der hohen Effizienz in unseren Leistungsmetriken schließen wir, dass TransResU-Net ein solider Benchmark für die Entwicklung eines Echtzeit-Polypendetektionssystems zur Früherkennung, Behandlung und Prävention von Darmkrebs darstellt. Der Quellcode für das vorgeschlagene TransResU-Net ist öffentlich unter https://github.com/nikhilroxtomar/TransResUNet verfügbar.