通过双编码器和边界增强注意力进行腺体分割
内容提要
本文综述了腺体与息肉分割的深度学习方法：DCAN在MICCAI挑战赛中胜出；无监督方法引入形态学线索，mIOU超次优10.56%；DDANet在Kvasir-SEG上Dice达0.7874；OEEM缓解伪掩码噪声，mIOU提升4.4%和6.04%；MLFF-Net和3D EAGAN分别用于息肉和前列腺分割。
延伸解读
腺体分割的技术演进
从2016年的DCAN到2023年的3D EAGAN，腺体分割方法经历了从全监督到无监督、从CNN到Transformer的演变。DCAN通过轮廓感知在MICCAI挑战赛中胜出，而无监督方法引入形态学线索，在mIOU上超过次优方法10.56%，显示了减少标注依赖的潜力。
弱监督与噪声处理
弱监督学习面临伪掩码噪声问题，OEEM方法通过在线易学例挖掘，鼓励网络关注可信信号，在腺体分割任务上将mIoU提升了4.4%和6.04%。这表明处理噪声标签是提升弱监督分割性能的关键。
模型泛化与评估
DDANet在Kvasir-SEG数据集上训练，在未见数据集上测试达到0.7874的Dice系数，证明了其泛化能力。MLFF-Net和3D EAGAN分别针对息肉和前列腺分割，展示了多级特征融合和边缘感知对抗生成网络在不同医学图像分割任务中的有效性。
Q&A
DCAN是什么？它在腺体分割中有什么优势？
DCAN是一种基于深度学习的深度轮廓感知网络，用于组织学图像中的腺体分割。它不仅能输出腺体的准确概率图，还能同时描述清晰的轮廓以分离聚集的物体。该方法在2015年MICCAI腺体分割挑战赛中胜出，超过了其他13个竞争对手的方法。
无监督腺体分割方法如何克服注释成本高的问题？
无监督腺体分割方法通过引入关于腺体形态的经验性线索作为额外知识来指导分割过程，无需手动注释。具体提出了一种新颖的基于形态学启发的选择性语义分组方法，使最终分割网络能够学习关于腺体的综合知识，并产生清晰完整的预测。在GlaS和CRAG数据集上，该方法在mIOU上超过次优方法10.56%。
DDANet在息肉分割任务上的性能如何？
DDANet是一种基于双解码器注意力网络的新型架构，在Kvasir-SEG数据集上训练并在一个未见数据集上测试，达到了0.7874的Dice系数，0.7010的mIoU、0.7987的召回率和0.8577的精度，证明了模型的泛化能力。
OEEM方法如何提升腺体分割性能？
OEEM（在线易学例挖掘）方法鼓励网络专注于可信的监督信号而非噪声信号，从而缓解了伪遮罩中不可避免的误报预测的影响。针对腺体数据集的特点，设计了强大的腺体分割框架，其结果在mIoU方面超过了许多全监督方法和弱监督方法，使腺体分割方法性能提高了4.4%和6.04%。
MLFF-Net用于什么任务？它有什么特点？
MLFF-Net是一种新型息肉分割方法，利用多级特征融合和注意机制，旨在提高医学诊断的效率和准确度，减少患者结直肠癌的风险。实验证明该方法不仅可以分割多种类型的息肉，还在准确性和概括能力方面优于现有最先进的方法。
3D EAGAN如何实现前列腺分割？
3D EAGAN是一种基于3D边缘感知对抗生成网络的前列腺分割方法，通过边缘感知分割网络（EASNet）进行前列腺分割，并通过鉴别网络来将预测的前列腺区域与真实的前列腺区域区分开来，从而实现对TRUS图像中前列腺的准确分割。
