多类内窥镜伪影检测新突破：OCCMNet 展现卓越性能

为解决多类内窥镜伪影检测难题，研究人员提出 OCCMNet，mAP50提升 3.5 - 6.5%，意义重大。

　　多类内窥镜伪影检测对于消除临床检查中伪影造成的干扰、降低医生误诊和漏诊率至关重要。然而，该任务面临着数据不平衡、伪影间相似性以及遮挡等挑战。为了克服这些难题，研究人员提出了一种遮挡感知类特征挖掘网络（Occlusion-Aware Class Characteristic Mining Network，OCCMNet），可同时检测内窥镜中的八类伪影。OCCMNet 包含以下部分：（1）双分支类平衡模块（Dual-Branch Class Rebalancing Module，DCRM），通过充分利用两种互补的数据分布（分别对多数类和少数类进行采样和检测）重新平衡各类别的影响。（2）类判别增强模块（Class Discrimination Enhancement Module，CDEM），通过增强重要信息和非线性引入细微差别信息，有效增强类间差异。（3）全局遮挡感知模块（Global Occlusion-Aware Module，GOAM），通过捕捉全局信息推断伪影的被遮挡部分，初步识别被遮挡伪影，并结合局部细节感知伪影的整体结构。OCCMNet 在公共数据集（EndoCV2020）上进行了验证。与医学和计算机视觉检测领域的最新方法相比，该方法在平均精度均值（mAP₅₀）上提高了 3.5 - 6.5%。结果证明了 OCCMNet 在多类内窥镜伪影检测中的优越性，展现出其在减少临床干扰方面的巨大潜力。