《Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization》:A low-cost high-accuracy method for colorectal polyp detection
编辑推荐:
摘要:结直肠息肉是出现在结肠黏膜表面的小型病变。尽管多数息肉无害,但部分可进展为结直肠癌,晚期检出时往往危险且致命。现有息肉检测研究多依赖深度学习方法,虽有效但存在高能耗、昂贵硬件需求及隐私安全与伦理顾虑等局限。研究人员提出一种低成本替代方法:将每张二维(2D
摘要:结直肠息肉是出现在结肠黏膜表面的小型病变。尽管多数息肉无害,但部分可进展为结直肠癌,晚期检出时往往危险且致命。现有息肉检测研究多依赖深度学习方法,虽有效但存在高能耗、昂贵硬件需求及隐私安全与伦理顾虑等局限。研究人员提出一种低成本替代方法:将每张二维(2D)内镜下图像分离为其红(Red)、绿(Green)、蓝(Blue)(RGB)通道,并将各通道转换为三维(3D)表征;对3D图像施加专用色彩映射图(colormap),随后将绿光与蓝光层之色彩映射输出转换为二值图像;用该合成二值图像减去基于色彩映射的红光层输出得到能有效隔离息肉区域的掩膜(mask)。该方法在三个基准数据集上取得良好结果:CVC?ClinicDB上查全率(Recall)达97%,Kvasir?SEG上达95.5%,CVC?ColonDB上达95.3%;精确率(Precision)分别为96.5%、93.4%和93.6%;F1?score介于94.5%至95.3%。该方法提供了一种高效、可及的解决方案,适用于计算资源受限的设备。
论文解读:一种用于结直肠息肉检测的低成本高精度方法
结直肠癌是全球致死率最高的恶性肿瘤之一,大多数结直肠癌由结直肠息肉(colorectal polyp)逐步演变而来,直径超过10 mm的息肉癌变风险显著升高。目前结肠镜检查是检出息肉最可靠的手段,但受限于医师经验、检查时间及肠道复杂解剖结构,漏诊率仍不可忽视。计算机辅助检测(Computer?Aided Detection, CADe/CADe系统)尤其是基于深度学习的方法在胃肠道息肉检测中取得了令人瞩目的性能,然而深度学习方案存在明显短板:需高性能GPU等高成本硬件、计算能耗大、依赖大规模标注训练数据、模型可解释性差,且患者医学影像上传云端存在隐私与数据安全风险。此外,资源受限的临床环境(如基层或低收入地区医疗机构、胶囊内镜无线胶囊内镜(Wireless Capsule Endoscopy, WCE)等嵌入式平台)难以承载深度网络推理开销。鉴于此,研究人员旨在开发一种不依赖深度学习、无训练数据需求、计算开销极低且保持较高检测精度的结直肠息肉分割与检测方法。
为验证所提方法,研究人员选用三个公开结直肠息肉数据集——CVC?ClinicDB、Kvasir?SEG及CVC?ColonDB,均来源于Kaggle在线仓库,含高清内镜下各类息肉(增生性息肉、无蒂锯齿状病变等)图像及对应金标准(ground truth)掩膜。
关键技术方法如下:研究人员对输入2D内镜彩色图像分离R、G、B三通道,将各通道灰度值映射为高度图(height map)生成伪3D深度表征(Z(x,y)=f(I(x,y)));对3D RGB各层施加特定伪彩色色彩映射图(colormap),经实验确定绿光通道色彩映射后阈值(threshold)取112进行二值化,蓝光层同理二值化,二者合并得组合二值图像;再用组合二值图像减去红光层色彩映射二值输出获最终息肉掩膜。预处理阶段采用限制对比度自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization, CLAHE)、中值滤波(median filter)、双边滤波(bilateral filter)去除反光点与噪声,Z轴截取20层切片取形态学最丰富层;后处理采用二值化、开闭运算(erosion / dilation / opening / closing)、孔洞填充及基于面积(Area = Σ Pixeli)与圆度(Circularity = 4π×Area / Perimeter2)的形状尺寸滤波去伪目标。检测阶段依掩膜区域绘制标记框。性能以Recall = TP/(TP+FN)、Precision = TP/(TP+FP)、F1?score = 2×Precision×Recall/(Precision+Recall) 对照金标准评估。
4.1. Performances and comparisons
研究人员在三数据集上将提出方法与U?Net、CNN、ResNet34、YOLOv5等深度架构对比。CVC?ClinicDB上Recall达97%(优于U?Net之82.7%及CNN),Precision 96.5%(优于U?Net之70.2%),F1?score 94.5%(优于U?Net之76%);CVC?ColonDB上Recall 95.5%、Precision 93.6%、F1?score 94.5%,均优于U?Net与ResNet34;Kvasir?SEG上Recall 95.3%、Precision 93.4%、F1?score 95.3%,略优于YOLOv5与PD?YOLO。表明该方法在传统指标上可匹敌甚至超越部分深度学习基线。
4.2. Result Visualization
4.2.1. Polyp segmentation effect
可视化显示在大且边界清晰的息肉上预测掩膜与金标准近完全吻合;扁平、低对比度或小息肉时有轻微欠分割或少量假阳性,但色彩映射显著增强了息肉—背景对比,提升低光照复杂背景下分割稳定性。
4.2.2. Polyp detection effect
检出失败多因息肉—周围组织对比过低致二值掩膜提取不可靠、阈值滤波干扰致无掩膜生成、或扁平病灶缺乏明显形态学特征。方法对典型带蒂或隆起息肉检测稳健。
4.3. Operational efficiency and computational cost
浮点运算量(Floating?Point Operations, FLOPs)测算表明本方法仅需约87×106FLOPs/图,较U?Net(约30×109FLOPs)降低约345倍,较YOLOv5s(17×109)降约195倍,较轻量MobileNetV2仍低约3.4倍,适合实时与嵌入式应用。
5. Discussion
讨论指出该方法为纯数学形态学与图像处理流程,无需大规模标注数据训练与云端部署,规避了深度学习的数据隐私隐患,契合WCE等算力受限移动诊疗设备需求;不受AI垄断与黑箱伦理问题影响。局限性包涵对极低对比扁平息肉敏感性不足、数据集未涵盖所有临床情形、尚未集成进真实内镜工作流,需后续临床验证。该方法有望提升资源有限地区早筛能力从而降低结直肠癌死亡率。
6. Conclusions(研究结论翻译)
本研究提出一种不依赖深度学习的新型低成本结直肠息肉检测方法,通过对RGB通道图层进行三维重建及色彩映射分析并结合形态学操作生成息肉掩膜,在三个基准数据集上获得具竞争力的查全率、精确率及F1?score。该方法较传统深度学习模型大幅降低计算资源需求,适合硬件受限的临床环境,并规避了深度学习方法固有的隐私、标注及高基础设施成本问题。未来研究将聚焦于多样临床场景下验证、通过进阶图像处理提升敏感性与IoU(Intersection over Union, 交并比),并探索与本方法结合的深度—传统混合模型以拓展临床实用性。
发表于 Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization