論文の概要: CL-Polyp: A Contrastive Learning-Enhanced Network for Accurate Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2507.07154v1
• Date: Wed, 09 Jul 2025 13:07:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.153098
• Title: CL-Polyp: A Contrastive Learning-Enhanced Network for Accurate Polyp Segmentation
• Title（参考訳）: CL-Polyp: 正確なポリプセグメンテーションのためのコントラスト学習強化ネットワーク
• Authors: Desheng Li, Chaoliang Liu, Zhiyong Xiao,
• Abstract要約: CL-Polypを提案する。 これは、Kvasir-SEGとCVC-ClinicDBデータセット上で、IoUメトリックを0.011と0.020改善する。
• 参考スコア（独自算出の注目度）: 2.000434989156371
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate segmentation of polyps from colonoscopy images is crucial for the early diagnosis and treatment of colorectal cancer. Most existing deep learning-based polyp segmentation methods adopt an Encoder-Decoder architecture, and some utilize multi-task frameworks that incorporate auxiliary tasks such as classification to enhance segmentation performance. However, these approaches often require additional labeled data and rely on task similarity, which can limit their generalizability. To address these challenges, we propose CL-Polyp, a contrastive learning-enhanced polyp segmentation network. Our method leverages contrastive learning to improve the encoder's ability to extract discriminative features by contrasting positive and negative sample pairs derived from polyp images. This self-supervised strategy enhances visual representation without requiring additional annotations. In addition, we introduce two lightweight and effective modules: the Modified Atrous Spatial Pyramid Pooling (MASPP) module for better multi-scale feature fusion, and the Channel Concatenate and Element Add (CA) module to fuse low-level and upsampled features for improved boundary reconstruction. Extensive experiments on five benchmark datasets-Kvasir-SEG, CVC-ClinicDB, CVC-ColonDB, CVC-300, and ETIS-demonstrate that CL-Polyp consistently outperforms state-of-the-art methods. Specifically, it improves the IoU metric by 0.011 and 0.020 on the Kvasir-SEG and CVC-ClinicDB datasets, respectively, validating its effectiveness in clinical polyp segmentation tasks.
• Abstract（参考訳）: 大腸内視鏡像からのポリープの正確な分画は早期大腸癌の診断と治療に不可欠である。 既存のディープラーニングベースのポリプセグメンテーション手法の多くはEncoder-Decoderアーキテクチャを採用しており、セグメンテーション性能を高めるために分類などの補助的なタスクを組み込んだマルチタスクフレームワークを使用している。 しかしながら、これらのアプローチは、しばしばラベル付きデータを追加し、その一般化性を制限するタスク類似性に依存する。 これらの課題に対処するために, CL-Polypを提案する。 本手法は,ポリプ画像から得られた正と負のサンプル対を対比することにより,エンコーダの識別特性の抽出能力を向上させるために,コントラスト学習を利用する。 この自己教師型戦略は、追加のアノテーションを必要とせずに視覚的表現を強化する。 さらに,MASPPモジュールとChannel Concatenate and Element Add (CA)モジュールの2つの軽量かつ効率的なモジュールを導入し,低レベルかつ高サンプリングな機能を融合させて境界復元を改善する。 Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB、CVC-300、ETIS-demonstrateの5つのベンチマークデータセットに対する大規模な実験により、CL-Polypは一貫して最先端のメソッドよりも優れています。 具体的には、Kvasir-SEGおよびCVC-ClinicDBデータセット上で、IoUメトリックを0.011と0.020で改善し、臨床ポリープセグメンテーションタスクにおけるその有効性を検証する。

関連論文リスト

• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Edge-aware Feature Aggregation Network for Polyp Segmentation [38.11584888416297]
  本研究では,ポリプセグメンテーションのためのエッジ対応特徴集約ネットワーク(EFA-Net)を提案する。 EFA-Netは、ポリプセグメンテーションの性能を高めるために、クロスレベルとマルチスケールの機能を完全に活用することができる。 広く採用されている5つの大腸内視鏡データセットの実験結果から,我々のEFA-Netは,一般化と有効性の観点から,最先端のポリプセグメンテーション法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-19T11:09:38Z)
• RaBiT: An Efficient Transformer using Bidirectional Feature Pyramid Network with Reverse Attention for Colon Polyp Segmentation [0.0]
  本稿では,軽量トランスフォーマーアーキテクチャをエンコーダに組み込んだエンコーダデコーダモデルであるRaBiTを紹介する。 本手法は, トレーニングセットとテストセットが異なる特性を持つ場合であっても, クロスデータセット実験において高い一般化能力を示す。
  論文  参考訳（メタデータ） (2023-07-12T19:25:10Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
  臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。 既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。 大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
  論文  参考訳（メタデータ） (2021-08-11T07:54:07Z)
• Enhanced U-Net: A Feature Enhancement Network for Polyp Segmentation [17.8181080354116]
  大腸内視鏡画像におけるポリープ分割の精度向上のための特徴拡張ネットワークを提案する。 具体的には,semantic feature enhance module (sfem) を用いて意味情報の拡張を行う。 提案手法は5つの大腸内視鏡データを用いて評価し,他の最先端モデルと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-03T16:46:26Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。