TransNetR: Transformer-basiertes Residuelles Netzwerk für Polypensegmentierung mit mehrzentrischer Out-of-Distribution-Tests

Die Koloskopie gilt als der effektivste Screening-Test zur Erkennung von Darmkrebs (Colorektalem Karzinom, CRC) und seinen Vorläufergeschwülsten, also Polypen. Dennoch weisen die Prozeduren aufgrund der Heterogenität von Polypen und der Abhängigkeit von Beobachter zu Beobachter hohe Fehlerraten auf. Daher wurden mehrere Systeme vorgeschlagen, die tiefes Lernen nutzen, um die Bedeutung der Polypenerkennung und -segmentierung in klinischen Praxen zu berücksichtigen. Trotz erzielter Verbesserungen sind die bestehenden automatisierten Ansätze ineffizient, was die Echtzeitverarbeitungsgeschwindigkeit betrifft. Zudem leiden sie unter einem erheblichen Leistungsverlust bei der Auswertung von Patientendaten aus verschiedenen Zentren. Deshalb planen wir, eine neuartige Echtzeit-Architektur basierend auf tiefem Lernen zu entwickeln: das Transformer-basierte Residuen-Netzwerk (TransNetR). Wir werden dessen diagnostische Leistungsfähigkeit evaluien.Das vorgeschlagene Netzwerk, TransNetR, ist ein Encoder-Decoder-Netzwerk, das einen vorab trainierten ResNet50 als Encoder, drei Decoderblöcke und eine Upsampling-Schicht am Ende des Netzwerks umfasst. TransNetR erreicht einen hohen Dice-Koeffizienten von 0,8706 und einen durchschnittlichen Intersection-over-Union-Wert von 0,8016 und behält dabei eine Echtzeitverarbeitungsgeschwindigkeit von 54,60 auf dem Kvasir-SEG-Datensatz. Darüber hinaus liegt der Hauptbeitrag dieser Arbeit darin, die Übertragbarkeit des TransNetR zu untersuchen, indem der vorgeschlagene Algorithmus auf einem Datensatz getestet wird, dessen Testverteilung unbekannt und anders als die Trainingsverteilung ist (out-of-distribution).Als Anwendungsfall haben wir unseren vorgeschlagenen Algorithmus auf dem PolypGen-Datensatz (6 einzigartige Zentren) sowie zwei anderen gängigen Benchmark-Datensätzen für Polypensegmentierung getestet. Bei den Tests mit out-of-distribution-Daten erzielten wir erstklassige Leistungen auf allen drei Datensätzen. Der Quellcode von TransNetR wird öffentlich zugänglich gemacht unter https://github.com/DebeshJha.