A Benchmark for endoluminal scene segmentation of colonoscopy images
Vázquez Bermúdez, David (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Bernal del Nozal, Jorge (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Sánchez Pujadas, Francisco Javier (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Fernández Esparrach, Gloria (Universitat de Barcelona. Institut d'Investigacions Biomèdiques August Pi i Sunyer)
López Peña, Antonio M. (Antonio Manuel) (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Romero, Adriana (Université de Montréal. Montreal Institute for Learning Algorithms)
Drozdzal, Michal (École Polytechnique de Montréal)
Courville, Aaron (Université de Montréal. Montreal Institute for Learning Algorithms)
Universitat Autònoma de Barcelona. Centre de Visió per Computador (Bellaterra, Catalunya)

Date: 2017
Abstract: Colorectal cancer (CRC) is the third cause of cancer death worldwide. Currently, the standard approach to reduce CRC-related mortality is to perform regular screening in search for polyps and colonoscopy is the screening tool of choice. The main limitations of this screening procedure are polyp miss rate and the inability to perform visual assessment of polyp malignancy. These drawbacks can be reduced by designing decision support systems (DSS) aiming to help clinicians in the different stages of the procedure by providing endoluminal scene segmentation. Thus, in this paper, we introduce an extended benchmark of colonoscopy image segmentation, with the hope of establishing a new strong benchmark for colonoscopy image analysis research. The proposed dataset consists of 4 relevant classes to inspect the endoluminal scene, targeting different clinical needs. Together with the dataset and taking advantage of advances in semantic segmentation literature, we provide new baselines by training standard fully convolutional networks (FCNs). We perform a comparative study to show that FCNs significantly outperform, without any further postprocessing, prior results in endoluminal scene segmentation, especially with respect to polyp segmentation and localization.
Note: Número d'acord de subvenció MICINN/TRA/2014-57088-C2-1-R
Note: Número d'acord de subvenció MINECO/DPI/2015-65286-R
Note: Número d'acord de subvenció AGAUR/2014-SGR-1506
Note: Número d'acord de subvenció AGAUR/2014-SGR-1470
Note: Número d'acord de subvenció AGAUR/2014-SGR-135
Rights: Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original. Creative Commons
Language: Anglès.
Document: article ; recerca ; publishedVersion
Published in: Journal of Healthcare Engineering, Vol. 2017 (July 2017) , art. 4037190, ISSN 2040-2295

PMID: 29065595


9 p, 2.1 MB

The record appears in these collections:
Articles > Research articles
Articles > Published articles

 Record created 2018-02-08, last modified 2019-07-17



   Favorit i Compartir