MEGANet-W：一种基于小波驱动边缘引导注意力框架的弱边界息肉检测方法.pdfVIP

MEGANet-W：一种基于小波驱动边缘引导注

意力框架的弱边界息肉检测方法

TanZheYeeAshwaqQasem

SchoolofArtificialIntelligenceandRobotics(SAIR)SchoolofArtificialIntelligenceandRobotics(SAIR)

XiamenUniversityMalaysia,Sepang,MalaysiaXiamenUniversityMalaysia,Sepang,Malaysia

ait2209953@.myashwaq.qasem@.my

摘要—结直肠息肉分割对于早期检测结直肠癌至关重要，但

弱对比度和低对比度边界显著限制了自动化的准确性。现有的深

本度模型要么模糊细边细节，要么依赖于手工制作的滤波器，在可

译变成像条件下表现不佳。我们提出了MEGANet-W，一种由小

中波驱动边缘引导注意力网络，它将方向性、无参数的Haar小波

边缘图注入到每个解码阶段以重新校准语义特征。MEGANet-

3W的关键创新包括一个两级Haar小波头用于多方位边缘提

v(a)(b)(c)

8取；以及小波边缘引导注意力（W-EGA）模块，这些模块融

6合了小波线索与边界和输入分支。在五个公开的息肉数据集上，

6MEGANet-W始终优于现有方法，mIoU提高了高达2.3%，

2

0mDice提高了1.2%，并且没有引入额外的学习参数。该方法改

.

7进了困难案例中的可靠性，并为需要精确边界检测的医学图像分

0割任务提供了一个稳健的解决方案。

5

2IndexTerms—结直肠息肉分割，Haar小波变换，W-

:EGA，无参数注意力机制，U-Net。(d)(e)

v

i图1.来自五个公开数据集的代表性结直肠息肉示例，息肉区域用绿色轮廓

x突出显示：(a)CVC-ColonDB；(b)CVC-300；(c)ETIS-LaribPolypDB；

r

aI.介绍(d)CVC-ClinicDB；(e)Kvasir。

结直肠癌（CRC）是全球最常见的癌症之一，其癌症死近期深度学习（DL）的进展显示出帮助医生更准确地

亡率排名第三高[1]。早期预防对于保护公众健康至关定位息肉的巨大潜力[2]。与DL方法相比，传统方法

重要，结肠镜检查被广泛认为是检测息肉的“金标准”，依赖于手工设计特征，如边缘检测或基于阈值的分割

在预防进展为CRC中起着重要作用[2]。然而，结肠镜[6]。然而，这些技术对光照变化非常敏感，并且表现出

检查的效果高度依赖于临床医生的技能，在手动筛查过有限的功能表示能力，这限制了它们在临床环境中的应

程中有26%的漏检率[1],[3]。如图1所示，由于息肉用[3],[7]。另一方面，基于DL的方法能够直接从图像

与周围正常黏膜组织在颜色和纹理上的高视觉相似性，数据中学习丰富和层次化的特征表示，增加了其在各种

准确分割息肉仍然是一个具有挑战性的任务[4]。这种成像条件下的适用性并有效地克服了手工设计技术的

内在的模糊性使语义表示复杂化，并且使得息肉的精确局限性[6],[7]。

定位更加困难[1]。因此，提高息肉检测的准确性对于

减少结直肠癌的风险很重要[5]。基于卷积神经网络的U-Net及其变体促进了医学图像

分割任务的快速发展[1]。后续研究使用Tr