LGPS: A Lightweight GAN-Based Approach for Polyp Segmentation in Colonoscopy Images

Technische Samenvatting: LGPS – Een lichtgewicht GAN-gebaseerde aanpak voor poliepsegmentatie

Probleemstelling
Colorectaal kanker (CRC) blijft wereldwijd een belangrijke oorzaak van kankergerelateerde sterfte, waardoor vroege detectie en verwijdering van poliepen tijdens coloscopie cruciaal zijn voor preventie. Hoewel deep learning-gebaseerde segmentatiemethoden aanzienlijk zijn geavanceerd, kampen zij met drie hardnekkige beperkingen die klinische adoptie in de weg staan: (1) hoge computationele kosten die real-time toepassing verhinderen; (2) moeilijkheden bij het nauwkeurig segmenteren van kleine poliepen of poliepen met een lage contrast en wazige grenzen; en (3) een slechte generalisatie over diverse datasets door variaties in beeldvormingscondities. Bestaande state-of-the-art (SOTA) modellen, zoals U-Net varianten, Transformers en attention-gebaseerde netwerken, vereisen vaak aanzienlijke computationele middelen en worstelen met deze specifieke uitdagingen.

Methodologie
De auteurs stellen LGPS (Lightweight GAN-based approach for Polyp Segmentation) voor, een framework dat is ontworpen om een balans te vinden tussen hoge segmentatieprecisie en computationele efficiëntie. De architectuur is gebouwd op een Generative Adversarial Network (GAN) structuur bestaande uit een generator en een discriminator, versterkt met specifieke modules voor medische beeldanalyse:

1. Generator Architectuur:

   • Backbone: De generator maakt gebruik van een aangepaste MobileNetV2 backbone om een lichtgewicht ontwerp te garanderen. Aanpassingen omvatten het reduceren van het aantal filters met een factor twee, het verwijderen van de laatste classificatielaag en redundante tussenliggende lagen, en het toepassen van depthwise separable convoluties met gereduceerde expansiefactoren. Dit resulteert in een model met slechts 1,07 miljoen parameters.
   • ReSE Blocks: Het netwerk bevat aangepaste Residual Squeeze-and-Excitation (ReSE) blokken. Deze combineren traditionele residual verbindingen met SE-mechanismen om feature maps dynamisch te herkalibreren, waarbij diagnostisch relevante regio's worden benadrukt terwijl ruis wordt onderdrukt.
   • Decoder: De decoder maakt gebruik van een encoder-decoder structuur met skip-verbindingen en progressieve upsampling (bilineaire interpolatie) om ruimtelijke details te herstellen, wat cruciaal is voor het behoud van de fijne grenzen van poliepen.

2. Discriminator Architectuur:

   • De discriminator maakt gebruik van een patch-gebaseerd adversarieel framework om de kwaliteit van gegenereerde maskers te evalueren.
   • ConvCRF Verfijning: Een belangrijke innovatie is de integratie van Convolutional Conditional Random Fields (ConvCRF) lagen binnen de discriminator. Deze lagen passen leerbare $3 \times 3$ convoluties toe gevolgd door een sigmoid-activatie om ruimtelijke coherentie en gladheid in de voorspelde maskers af te dwingen, terwijl de randdetails behouden blijven.

3. Hybride Loss Functie:

   • Om klassenimbalans aan te pakken (waarbij poliep-pixels schaars zijn in vergelijking met de achtergrond) en nauwkeurige begrenzing te waarborgen, wordt de generator getraind met een gewogen combinatie van drie loss functies:
     • Binary Cross-Entropy (BCE): Voor pixel-gewijze classificatienauwkeurigheid.
     • Weighted Intersection over Union (WIoU): Om de bijdrage van de voorgrond (poliep) en achtergrondregio's te balanceren.
     • Dice Loss: Om de overlap tussen de voorspelde en de grondwaarheid maskers te optimaliseren, wat bijzonder effectief is voor ongebalanceerde klassen.
   • De totale loss is gedefinieerd als $L_{total} = \lambda_1 L_{BCE} + \lambda_2 L_{IoU} + \lambda_3 L_{Dice}$, met gewichten ingesteld op respectievelijk 0,4, 0,3 en 0,3 in de experimenten.

Belangrijkste Bijdragen

• Lichtgewicht Ontwerp: LGPS bereikt SOTA-prestaties met slechts 1,07 miljoen parameters, waardoor het ongeveer 17 keer kleiner is dan het kleinste bestaande SOTA-model, wat implementatie op middelenbeperkte apparaten faciliteert.
• Architecturale Innovaties: De introductie van ReSE-blokken voor efficiënte feature extractie en ConvCRF-lagen voor randverfijning binnen een GAN-framework dat specifiek is afgestemd op poliepsegmentatie.
• Robuuste Generalisatie: Het framework vertoont sterke prestaties op ongeziene en uitdagende datasets, waarmee het veelvoorkomende problemen met slechte generalisatie in bestaande methoden aanpakt.

Experimentele Resultaten
Het model werd gevalideerd op vijf publieke benchmark datasets: Kvasir-SEG, CVC-ClinicDB, ETIS, CVC-300 en PolypGen.

• Prestaties op PolypGen: Op de grootste en meest uitdagende testset (PolypGen) behaalde LGPS een Dice-coëfficiënt van 0,7299 en een IoU van 0,7867, waarmee het alle vergeleken SOTA-methoden (inclusief U-Net++, ResU-Net++ en WDFF-Net) overtrof.
• Prestaties op Andere Datasets: Op de CVC-ClinicDB dataset behaalde het model een Dice van 0,9261 en een IoU van 0,9238, waarmee het verschillende zware modellen overtrof. Het toonde ook concurrerende resultaten op ETIS en CVC-300.
• Ablatie-studies: Experimenten bevestigden dat de combinatie van BCE en Dice loss (BDice) zeer effectief was, hoewel de volledige hybride loss (3Loss) zorgde voor robuuste generalisatie. Het verwijderen van de ReSE of ConvCRF modules leidde tot meetbare prestatiedalingen, wat hun noodzaak voor feature extractie en randbehoud valideert.
• Kwalitatieve Analyse: Visuele vergelijkingen gaven aan dat LGPS wazige grenzen, laag contrast en significante variaties in grootte (inclusief kleine poliepen) beter afhandelt dan bestaande methoden, die in deze scenario's vaak lijden onder oversegmentatie of gemiste detecties.

Betekenis en Claims
Het artikel claimt dat LGPS een belangrijke stap voorwaarts is om geautomatiseerde poliepsegmentatie levensvatbaar te maken voor real-time klinische toepassingen. Door de modelgrootte drastisch te verminderen zonder in te boeten op nauwkeurigheid, pakt LGPS de computationele barrières aan die de implementatie van deep learning-modellen in endoscopie-suites hebben beperkt. De auteurs benadrukken dat het vermogen van het model om goed te generaliseren over diverse, ongeziene datasets (met name PolypGen) de betrouwbaarheid in echte klinische settings onderstreept, waar de beeldvormingscondities variëren. Het werk positioneert LGPS als een nieuwe benchmark voor efficiënte en nauwkeurige medische beeldanalyse, en biedt een praktische oplossing voor het verbeteren van de vroege diagnose van CRC.