【结肠息肉AI论文集】Shallow Attention Network for Polyp Segmentation
标注：这篇文章是2021的了，但是写的很好，可以用作写作参考
摘要
准确的息肉分割对于结直肠癌诊断至关重要。然而，即使使用强大的深度神经网络，息肉分割的发展仍面临三大挑战：（i）在不同条件下收集的样本颜色不一致，导致特征分布差异和过拟合问题；（ii）由于重复的特征下采样，小息肉容易被降质；（iii）前景像素和背景像素不平衡，导致训练出现偏差。为解决上述问题，我们提出了浅层注意力网络（SANet）用于息肉分割。具体来说，为了消除颜色的影响，我们设计了颜色交换操作以解耦图像内容和颜色，迫使模型更多地关注目标的形状和结构。此外，为了提高小息肉的分割质量，我们提出了浅层注意力模块以过滤浅层特征的背景噪声。得益于浅层特征的高分辨率，小息肉可以被正确保留。此外，为了缓解小息肉的严重像素不平衡问题，我们在推理阶段提出了概率校正策略（PCS）。需要注意的是，尽管PCS并未参与训练阶段，但它仍然可以在有偏差的模型上良好工作，并持续提升分割性能。在五个具有挑战性的基准测试中的定量和定性实验结果证实，我们提出的SANet大幅优于以往的最先进的方法，并实现了约72FPS的速度。
ps: 可以发现困难和解决方案是一一对应的，逻辑清晰。先提出结肠息肉分割存在的难点，再按顺序写出自己对这些难点的解决方案。
引言
结直肠癌（CRC）已成为人类健康的一大威胁，是全球癌症死亡率第四高的癌症。肠黏膜中的息肉被认为是CRC的先兆，它们很容易转化为恶性病变。因此，早期诊断和治疗息肉具有重要意义。幸运的是，在计算机技术的辅助下，许多自动息肉分割模型已被开发出来，并取得了显著进展。
图1：（a）不同颜色的息肉样本。（b）息肉大小的直方图。横轴显示息肉面积与图像面积的比例。纵轴显示特定大小的息肉样本占总样本的比例。一个训练集和五个测试集以不同颜色显示。
然而，由于目标颜色分布不一致和目标尺寸较小，息肉分割一直是一项具有挑战性的任务。如图1（a）所示，相同条件下收集的息肉样本通常对应相同的颜色，而不同条件下收集的样本则呈现不同的颜色。因此，数据集中隐含着颜色与息肉分割之间的强相关性，这对模型训练是有害的，并会导致模型对颜色过拟合。此外，大多数息肉区域面积非常小。如图1（b）所示，绝大多数息肉的面积小于总图像面积的0.1。这给现有的分割模型带来了两个困难。首先，由于重复的特征下采样，小息肉容易丢失且难以恢复。其次，对于有小息肉的图像，前景像素和背景像素之间存在很大的不平衡，导致模型出现偏差，性能不佳。首先说明息肉的特点一是颜色不一致，二是尺寸小。然后使用例图佐证息肉特点的真实性。最后说明这两个特点给分割带来了什么困难
为了打破颜色与息肉分割之间的相关性，我们提出了颜色交换（CE）操作。具体来说，对于每张输入图像，我们随机选择另一张图像并将其颜色转移到输入图像上。通过多次CE操作，每张输入图像都可以呈现不同的颜色，从而减少了颜色与息肉分割之间的联系，模型也不会对这种虚假的因果关系过拟合。此外，小息肉分割更依赖于浅层特征。因为它们具有更高的分辨率，并包含更丰富的细节，与深层特征相比。不幸的是，浅层特征太嘈杂，不能直接使用。因此，我们提出了浅层注意力模块（SAM），它可以帮助去除背景噪声，使用更清晰的深层特征。此外，为了缓解前景和背景之间的不平衡，我们在推理过程中提出了概率校正策略（PCS），它可以简单地通过后处理调整有偏差的预测，使其更准确。为了解决难点1，我们提出了方法1；为了解决难点2，我们提出了方法2.
总结来说，我们的贡献有四点：（1）我们提出了颜色交换操作，以解耦内容和颜色，减少过拟合问题；（2）我们设计了新颖的SANet，更多地关注具有更丰富细节的浅层特征，提高了小息肉的分割效果；（3）我们引入了概率校正策略（PCS）用于推理，以平衡有偏差的预测，该策略可以以极小的计算成本持续提升模型性能；（4）广泛的实验表明，所提出的模型在五个广泛使用的公共基准测试中达到了最先进的性能。
