Anpassung unterschiedlicher Semantik für unsichere Bereiche bei der Polypen-Segmentierung

Die Koloskopie ist eine verbreitete und praktikable Methode zur Detektion und Behandlung von Polypen. Die Segmentierung von Polypen aus Koloskopiebildern ist für die Diagnose und die chirurgische Planung von großem Nutzen. Dennoch ist eine herausragende Segmentierungsergebnisse weiterhin schwierig zu erzielen, da Polypen aufgrund ihrer Form, Farbe, Beschaffenheit und der geringen Unterscheidbarkeit gegenüber der umgebenden Struktur besonders herausfordernd sind. In dieser Arbeit wird eine neue, innovative Architektur vorgestellt, die als Adaptation of Distinct Semantics for Uncertain Areas in Polyp Segmentation (ADSNet) bezeichnet wird. ADSNet korrigiert fehlerhaft klassifizierte Details und stellt schwache Merkmale wieder her, die andernfalls im finalen Segmentierungsschritt verloren gehen könnten. Die Architektur besteht aus einem ergänzenden dreifachen Decoder, der eine frühe globale Karte erzeugt. Ein kontinuierliches Aufmerksamkeitsmodul modifiziert die Semantik hochwertiger Merkmale, um zwei getrennte Semantiken der frühen globalen Karte zu analysieren. Die vorgeschlagene Methode wurde an etablierten Polyp-Benchmarks hinsichtlich Lernfähigkeit und Generalisierungsfähigkeit evaluiert. Die experimentellen Ergebnisse belegen eine erhebliche Korrektur- und Wiederherstellungsfähigkeit, die zu einer verbesserten Segmentierungsgenauigkeit im Vergleich zu anderen state-of-the-art-Methoden im Bereich der Polypen-Segmentierung führt. Insbesondere lässt sich die vorgeschlagene Architektur flexibel für verschiedene CNN-basierte Encoder, Transformer-basierte Encoder sowie verschiedene Decoder-Backbones einsetzen.