Kvasir SEG2020——胃肠道疾病之息肉分割

今天将分享胃肠道疾病之息肉分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、Kvasir SEG2020介绍

在医学图像分析中，像素分割是一项要求很高的任务。很难找到带有相应分割掩码的带注释的医学图像。Kvasir-SEG是一个开源的胃肠息肉图像和相应的分割掩码数据集，由经验丰富的胃肠病学家手工注释和验证。这项工作将对研究人员在未来重现结果和比较他们的方法有价值。通过向Kvasir数据集添加分割掩码，使多媒体和计算机视觉研究人员能够在息肉分割和结肠镜视频自动分析领域做出贡献。

人体胃肠道由不同的部分组成，其中之一是大肠。几种类型的异常和疾病可以影响大肠，如结直肠癌。结直肠癌是女性中第二常见的癌症类型，男性中第三常见的癌症类型。息肉是结直肠癌的先兆，在50岁的结肠镜筛查人群中，有近一半的人发现了息肉，并且随着年龄的增长而增加。结肠镜检查是检测和评估这些息肉的金标准，随后进行活检并切除息肉。早期疾病检测对结直肠癌患者的生存有着巨大的影响，因此息肉的检测非常重要。此外，一些研究表明，息肉在结肠镜检查中经常被忽视，根据息肉的类型和大小，息肉的漏检率为14%-30%。增加息肉的检出率已被证明可以降低患结直肠癌的风险。因此，在早期阶段自动检测更多的息肉对提高结直肠癌的预防和生存率起着至关重要的作用。

二、Kvasir SEG2020任务

胃肠息肉分割。

三、Kvasir SEG2020数据集

Kvasir- seg数据集(大小46.2 MB)包含来自Kvasir dataset v2的1000个息肉图像及其相应的ground truth。Kvasir-SEG中包含的图像分辨率从332x487到1920x1072像素不等。图像及其对应的掩码存储在两个具有相同文件名的单独文件夹中。图像文件使用JPEG压缩编码。对应图像的边界框(坐标点)存储在JSON文件中。该数据集旨在为息肉检测任务提供最新的解决方案。

Kvasir-SEG数据集旨在用于研究和开发新的和改进的方法，用于息肉的分割、检测、定位和分类。多个数据集是比较基于计算机视觉的算法的先决条件，该数据集既可用作训练数据集，也可用作验证数据集。这些数据集可以帮助为不同制造商的结肠镜捕获的图像开发最先进的解决方案。该领域的进一步研究有可能有助于降低息肉漏诊率，从而提高检查质量。Kvasir-SEG数据集也适用于一般分割和边界框检测研究。在这种情况下，数据集可以与来自广泛领域的其他几个数据集一起使用，包括医疗和其他领域。

下载链接：https://datasets.simula.no/kvasir-seg/

评价指标：Dice系数和Intersection over Union (IOU)。

四、技术路线

1、图像预处理，缩放到固定大小512x512，然后采用均值为0，方差为1的方式进行归一化处理。然后将数据分成训练集和验证集。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是64，epoch是300，损失函数采用二分类的dice和交叉熵。

3、训练结果和验证结果

4、验证集分割结果

红色是金标准结果，绿色是预测结果。

5、可视化结果分析

通过CAM可以看到热力图结果更多关注在息肉区域，如下图红圈所示，但当息肉的区域非常小时，热力图结果会关注到其他非息肉区域，如最后一张蓝圈所示。