浅層注意ネットワークを用いたポリープ分割

大腸がん診断において、ポリープの正確なセグメンテーションは極めて重要です。しかし、強力な深層ニューラルネットワークを使用しても、ポリープセグメンテーションの発展を阻害する3つの大きな課題が依然として存在します。(i) 異なる条件で収集されたサンプルは色調に一貫性がなく、特徴分布のギャップと過学習の問題を引き起こします；(ii) 特徴量の反復的なダウンサンプリングにより、小さなポリープが容易に劣化します；(iii) 前景ピクセルと背景ピクセルのバランスが偏っているため、訓練が偏った結果となります。これらの課題に対処するために、我々は浅層注意ネットワーク（Shallow Attention Network: SANet）を提案します。具体的には、色調の影響を排除するために、画像コンテンツと色を分離し、モデルに目標形状と構造に注目させるための「色交換操作」を設計しました。さらに、小さなポリープのセグメンテーション品質を向上させるために、「浅層注意モジュール」を提案し、浅層特徴量から背景ノイズを取り除きます。浅層特徴量の高解像度のおかげで、小さなポリープが正しく保たれます。また、小さなポリープにおける深刻なピクセルバランスの偏りを緩和するために、「確率補正戦略（Probability Correction Strategy: PCS）」を推論フェーズで導入しました。PCSは訓練フェーズには含まれていませんが、偏ったモデルでも良好に動作し、一貫してセグメンテーション性能を向上させます。5つの挑戦的なベンチマークでの定量的および定性的実験結果は、我々が提案したSANetが以前の最先端手法よりも大幅に優れており、約72FPSの速度で動作することを確認しています。