近日，我实验室与复旦大学中山医院内镜中心合作的论文“Lesion-Decoupling-Based Segmentation With Large-Scale Colon and Esophageal Datasets for Early Cancer Diagnosis”被人工智能领域国际顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》(IEEE TNNLS)录用。我实验室博士生林青、青年研究员谭伟敏博士与中山医院内镜中心蔡世伦博士为共同一作，我实验室颜波教授与中山医院内镜中心钟芸诗教授为共同通讯作者。
《IEEE Transactions on Neural Networks and Learning Systems》期刊由国际电气和电子工程师协会（IEEE）于1990年创办，发表文章涉及神经网络和相关学习系统的理论、设计和应用，属于人工智能领域顶级期刊，被中科院JCR分为一区TOP期刊，期刊影响因子为14.255。
图1.论文信息
早期癌症病变在医学内镜图像上常表现出平、小、等色特征，难以捕捉。通过分析病变区域内部和外部特征的差异，该论文提出了一种基于病变解耦的分割网络(LDS)，以辅助早期癌症诊断。该论文引入了一种自采样相似特征解耦模块(FDM)，支持即插即用，来获得准确的病变边界。论文还提出了一个特征分离损失(FSL)来分离病理特征和正常特征。此外，由于医生常使用多模态数据进行诊断，该论文还提出了一种多模态协同分割网络，以两种不同的模态图像作为输入：白光图像(WLI)和窄带光图像(NBI)。
图2. (a) 结肠镜数据集上的实验结果。(b) 白光和窄带光的成像原理示意图。(c) 食管镜图像上的实验结果，其中使用多模态信息辅助分割可以获得更好的性能。
FDM和FSL在单模态和多模态分割中都表现出良好的性能。在5个骨干网络上的实验证明，FDM和FSL可以很容易地应用到不同的骨干网络中，病灶分割精度均有显著提高，均交并比(mIoU)的最大增益为4.58。对于结肠镜图像，该论文可以在数据集A上实现高达91.49的mIoU，并在3个公共数据集上达到84.41。对于食管镜图像，该论文在WLI数据集上mIoU为64.32，在NBI数据集上mIoU为66.31。