医学部生物医学工程学院汪天富教授团队在基于内窥镜图像分析的结直肠息肉分割任务发表原创性成果。该工作在窄带光成像 (NBI) 的消化道内窥镜图像息肉分割领域提出了一个新的数据集 PS-NBI2K，并在 24 种最近报告的基于深度学习的息肉分割方法上进行了基准测试和算法分析。

        研究成果于近日发表在 IEEE Journal of Biomedical and Health Informatics (影响因子：7.021，中科院一区，生物医学与健康信息领域 TOP期刊)，题为“Benchmarking Polyp Segmentation Methods in Narrow-Band Imaging Colonoscopy Images”。岳广辉助理教授为第一作者，硕士研究生卓桂彬为第二作者，硕士研究生李思莹对课题亦有贡献，周天薇助理教授、汪天富教授、深大总医院杜井峰副主任为共同通讯作者。

图1. WLI 图像（左）与 NBI 图像（右）的比较

        如图 1 所示，与白光成像 (WLI) 内窥镜图像相比，NBI 图像可以提高血管的可见性，使医生更容易观察复杂的息肉，但 NBI 图像通常包括外观扁平的息肉，也具有背景干扰和伪装性质，这使得在 NBI 图像上的息肉分割成为一项具有挑战性的任务。为此，课题组与深圳大学总医院合作，提出了一个新的息肉分割数据集 PS-NBI2K，该数据集包含了 2000 张 NBI 结直肠内窥镜图像，并提供了像素级别的标注。

        与现有的息肉分割数据集相比，PS-NBI2K 更接近真实世界中的情况。PS-NBI2K 包含了许多常见但具有挑战性的 NBI 内窥镜图像。具体来说，这些图像中许多息肉体积较小。此外，存在许多图像包含了多个息肉病灶，图像对比度较小等挑战。图 2，图3和图4分别展示了不同息肉分割数据集在息肉大小、单张图像息肉个数和图像颜色对比度各个方面的比较。

图2. 不同数据集中的息肉病灶大小分布图

图3. 不同数据集单张图像的息肉个数分布情况

图4. 不同数据集的图像颜色对比度分布比较

        该研究还对24种最新的基于深度学习的息肉分割方法在PS-NBI2K数据集上进行了基准测试和分析，实验中对 PS-NBI2K 数据集进行了 5 次随机训练-测试划分。实验结果如表 1 所示。结果表明，现有方法难以定位较小和较强干扰的息肉，提取局部和全局特征可以提高性能。此外，效率和有效性之间存在一种权衡，大多数方法不能同时在两个方面取得最佳结果。这项研究强调了在NBI结肠镜图像中设计基于深度学习的息肉分割方法的潜在方向。

表1 最新息肉分割算法在 PS-NBI2K 上的表现和对比

        为了进一步研究现有算法在困难样本和简单样本上的表现差异，团队还将 PS-NBI2K 进一步划分为困难组和简单组，以及单息肉组和多息肉组。图5 和 图6展示了 24 个息肉分割算法在不同分组上的表现情况。结果表明，这些算法在困难组上的表现显著差于简单组，在多息肉组上的表现也显著差于单息肉组。

图5. 24 种最新息肉分割算法在 PS-NBI2K
简单组和困难组上的表现和对比箱线图

图6. 24 种最新息肉分割算法在 PS-NBI2K
单息肉组和多息肉组上的表现和对比箱线图

        这项工作得到生物医学工程学院大力支持，实验依托于广东省生物医学测量与超声成像重点实验室开展，并得到了国家自然科学基金、广东省基础与应用基础研究基金、深圳市自然科学基金、腾讯“犀牛鸟”-深圳大学青年教师科研基金的资助。

        原文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10109024