RDG-Net:基于双阶段解码器的结直肠息肉图像分割模型

摘要

基于深度学习的息肉图像分割可以有效帮助医生评估癌前病变，本文针对结直肠息肉图像中息肉边界不清晰时分割效果不佳、对新样本范化能力不足的问题，提出一种基于双阶段解码器的结直肠息肉图像分割模型RDG-Net。该模型采用Res2Net-50作为编码器以提高图像分割精度。解码器分为两个阶段，第一阶段利用4层多尺度特征聚合模块整合不同阶段编码器提取的特征，第二阶段通过3层并行卷积融合模块增强解码器第一阶段输出的图像特征并解码至更高分辨率作为模型的最终输出结果。采用CVC-ClinicDB和Kvasir-SEG数据集的训练集数据进行模型训练，并采用CVCClinicDB与Kvasir-SEG数据集以及未参与训练的CVC300和ETIS-LaribPolypDB数据集分别对模型进行测试。测试结果显示，CVC-ClinicDB与Kvasir-SEG数据集上准确率、精确度、召回率、Dice系数、交并比和F2的平均值分别为98.41%、94.25%、92.62%、93.42%、87.69%、92.93%,CVC300和ETIS-LaribPolypDB数据集上各评价指标的平均结果分别为99.05%、87.79%、89.13%、88.39%、79.33%、88.82%。实验结果表明RDG-Net模型在结直肠息肉区域的分割任务中表现出色，在新数据集上表现出较好的泛化能力。

关键词

图像分割 / 结直肠息肉 / 多尺度特征聚合 / 并行卷积