COMMA: Propagierendes komplementäres Multi-Level-Aggregationsnetzwerk für die Polypen-Segmentierung

Die Koloskopie ist eine effektive Methode zur Detektion von Polypen zur Prävention von Darmkrebs. In bisherigen Studien wurde eine zufriedenstellende Leistung bei der Polypendetektion erreicht, indem niedrigstufige Randinformationen und hochstufige Regioneninformationen in Convolutional Neural Networks (CNNs) aggregiert wurden, um eine präzise Segmentierung von Polypen in Koloskopiebildern zu ermöglichen. Allerdings liefert die mehrstufige Aggregation aufgrund der Verteilungsdisparität, die bei der Integration unterschiedlicher Schichtrepräsentationen entsteht, nur begrenzte Ergebnisse bei der Polypsegmentierung. Um dieses Problem anzugehen, haben frühere Studien ergänzende niedrig- und hochstufige Darstellungen eingesetzt. Im Gegensatz zu bestehenden Ansätzen konzentrieren wir uns darauf, ergänzende Informationen zu propagieren, sodass die ergänzende niedrigstufige explizite Randinformation zusammen mit abstrahierten hochstufigen Darstellungen die Verteilungsdisparität verringert. In dieser Studie wird COMMA vorgestellt, das eine ergänzende mehrstufige Aggregation zur Reduktion von Verteilungsdisparitäten propagiert. COMMA besteht aus einem ergänzenden Maskierungsmodul (CMM) und einem Randpropagationsmodul (BPM) als mehrschichtigem Decoder. Das CMM maskiert Rauschen in den niedrigstufigen Randinformationen mithilfe der abstrahierten hochstufigen Darstellung und nutzt die maskierten Informationen auf beiden Ebenen. Ebenso integriert das BPM die niedrigste und die höchste Schichtrepräsentation, um explizite Randinformationen zu gewinnen, und propagiert diese Ränder an die CMMs zurück, um die Polypdetektion zu verbessern. Die CMMs können Polypen aufgrund von Rand- und ergänzenden Darstellungen präziser unterscheiden als frühere CMMs. Darüber hinaus schlagen wir eine hybride Verlustfunktion vor, um die Klassenungleichgewichtsproblematik und fehlerhafte Annotationen bei der Polypsegmentierung zu mildern. Zur Bewertung der Leistung von COMMA führten wir Experimente an fünf Benchmark-Datensätzen unter Verwendung von fünf Metriken durch. Die Ergebnisse zeigten, dass das vorgeschlagene Netzwerk gegenüber den aktuell besten Methoden in allen Datensätzen überlegen ist. Insbesondere verbesserte COMMA die mIoU-Leistung im Durchschnitt um 0,043 gegenüber den bestehenden state-of-the-art-Methoden.