DOI: https://doi.org/10.1016/j.bspc.2026.109777
تاريخ النشر: 2026-02-03
المؤلف: Fiseha B. Tesema وآخرون
الموضوع الرئيسي: فحص واكتشاف سرطان القولون والمستقيم
نظرة عامة
يظل سرطان القولون والمستقيم (CRC) أحد الأسباب الرئيسية للوفيات المرتبطة بالسرطان على مستوى العالم، مما يبرز أهمية الكشف المبكر عن الأورام الحميدة وإزالتها أثناء تنظير القولون. على الرغم من التقدم في التعلم العميق لتجزئة الأورام الحميدة، إلا أن التحديات مثل المتطلبات الحسابية العالية، والصعوبات في تجزئة الأورام الحميدة الصغيرة أو ذات التباين المنخفض، والقدرة المحدودة على التعميم عبر مجموعات البيانات لا تزال تعيق التقدم. للتغلب على هذه العقبات، يقدم المؤلفون LGPS، وهو إطار عمل خفيف الوزن يعتمد على الشبكات التنافسية التوليدية (GAN) مصمم لتجزئة الأورام الحميدة بشكل فعال.
يتميز LGPS بثلاث ابتكارات رئيسية: (1) هيكل عظمى MobileNetV2 معزز بكتل متبقية معدلة ووحدات ضغط وتحفيز (ResE) لاستخراج الميزات بكفاءة؛ (2) حقول عشوائية شرطية تلافيفية (ConvCRF) لتحسين دقة الحدود؛ و(3) دالة خسارة هجينة تدمج بين خسارة الانتروبيا المتقاطعة الثنائية، وخسارة التقاطع الموزون، وخسارة دايس لتخفيف عدم توازن الفئات وتحسين دقة التجزئة. تظهر نتائج التحقق على خمس مجموعات بيانات مرجعية أن LGPS تحقق درجة دايس تبلغ 0.7299 ودرجة IoU تبلغ 0.7867 على مجموعة بيانات اختبار PolypGen الصعبة، متفوقة على جميع الأساليب الحديثة. مع وجود 1.07 مليون معلمة فقط، فإن LGPS أصغر بـ 17 مرة من أصغر نموذج موجود، مما يجعله مناسبًا بشكل خاص للتطبيقات السريرية في الوقت الحقيقي ويبرز إمكاناته في تعزيز تشخيص CRC المبكر. الشيفرة الخاصة بـ LGPS متاحة للجمهور على https://github.com/Falmi/LGPS/.
مقدمة
يعتبر سرطان القولون والمستقيم (CRC) أحد الأسباب الرئيسية للوفيات المرتبطة بالسرطان، مما يستدعي وجود طرق فعالة للكشف المبكر مثل تنظير القولون لتحديد وإزالة الأورام الحميدة. ومع ذلك، فإن التجزئة اليدوية للأورام الحميدة في صور تنظير القولون معقدة بسبب تنوعها في الحجم والشكل والملمس، بالإضافة إلى عيوب الصورة مثل ضبابية الحركة والتباين المنخفض. تسهم هذه التحديات في عدم الدقة في الكشف، مما يبرز الحاجة إلى أنظمة تشخيص مدعومة بالكمبيوتر (CAD) متقدمة. لقد حسنت التقدمات الأخيرة في التعلم العميق، وخاصة من خلال الشبكات العصبية التلافيفية (CNNs)، دقة تجزئة الأورام الحميدة، ومع ذلك تواجه النماذج الحالية قيودًا تشمل المتطلبات الحسابية العالية، والصعوبات مع الأورام الحميدة الصغيرة أو ذات التباين المنخفض، وسوء التعميم عبر مجموعات بيانات متنوعة.
للتغلب على هذه التحديات، يقدم المؤلفون إطار العمل الخفيف الوزن القائم على GAN لتجزئة الأورام الحميدة (LGPS)، الذي يحقق دقة تجزئة على مستوى الدولة مع وجود 1.07 مليون معلمة فقط، وهو أصغر بكثير من الأساليب الرائدة الحالية. يتضمن LGPS ثلاث ابتكارات: هيكل GAN يتضمن مولدًا للتجزئة ومميزًا معززًا بحقول عشوائية شرطية تلافيفية (ConvCRF) لتحسين التماسك المكاني؛ دالة خسارة هجينة مخصصة تجمع بين الانتروبيا المتقاطعة الثنائية (BCE)، والتقاطع الموزون (IoU)، وخسائر دايس لمعالجة عدم توازن الفئات؛ ومولد يعتمد على MobileNetV2 مع كتل ضغط وتحفيز (ReSE) معدلة. لا يحافظ هذا الإطار على أداء عالٍ فحسب، بل يظهر أيضًا تعميمًا قويًا عبر مجموعات بيانات متنوعة، بما في ذلك مجموعة بيانات Polyp-Gen الصعبة، مما يجعله حلاً قابلاً للتطبيق للتطبيقات السريرية في الوقت الحقيقي.
طرق
في هذا القسم، يوضح المؤلفون مجموعات البيانات ومعايير التقييم المستخدمة في تجاربهم على تجزئة الأورام الحميدة. استخدموا ست مجموعات بيانات عامة: Kvasir-SEG (1,000 صورة)، CVC-ClinicDB (612 صورة بدقة 384 × 288)، CVC-ColonDB (380 صورة بدقة 574 × 500)، ETIS (196 صورة بدقة 1225 × 966)، CVC-300 (60 صورة بدقة 574 × 500)، وPolypGen (1,537 صورة بأحجام متغيرة). توفر هذه المجموعات أساسًا متنوعًا لتقييم أداء نموذج LGPS المقترح، الذي تم تقييمه باستخدام عدة معايير بما في ذلك معامل دايس، والتقاطع على الاتحاد (IoU)، والاسترجاع، والدقة، ودرجة F2، والدقة.
تم إجراء التقييم النوعي لنموذج LGPS مقارنة بأساليب التجزئة الحديثة (SOTA) باستخدام تصورات من مجموعات بيانات Kvasir-SEG وCVC-ColonDB. تشير النتائج، الملخصة في جدول مقارن، إلى أنه بينما يظهر نموذج LGPS أداءً تنافسيًا، حققت طرق أخرى مثل WDFF-Net وHuang et al. درجات دايس وIoU أعلى. على وجه التحديد، حقق نموذج LGPS مع خسارة موزونة درجة دايس تبلغ 0.9261 ودرجة IoU تبلغ 0.9238، بينما حقق أفضل أسلوب SOTA، WDFF-Net، درجة دايس تبلغ 0.9521 ودرجة IoU تبلغ 0.9084. تسلط هذه التحليل الضوء على كل من نقاط القوة والقيود لنموذج LGPS في سياق تقنيات التجزئة الحالية.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على التقدمات والتحديات في تجزئة الصور الطبية، مع التركيز بشكل خاص على تجزئة الأورام الحميدة. يستعرض مجموعة متنوعة من الهياكل، بما في ذلك U-Net ومشتقاته، التي وضعت معايير ولكن غالبًا ما تكافح مع الأنماط البصرية المعقدة، مما يؤدي إلى عدم الدقة في التجزئة. لقد حسنت آليات الانتباه والنماذج المعتمدة على المحولات دقة التجزئة ولكن على حساب زيادة المتطلبات الحسابية، مما يحد من قابليتها للتطبيق في الإعدادات السريرية في الوقت الحقيقي. يتم التأكيد على الحاجة إلى نماذج خفيفة الوزن تحافظ على الأداء بينما تكون فعالة من حيث الحساب، مع وجود حلول قائمة مثل LEDNet وSqueeze U-Net تظهر وعدًا ولكن تفتقر إلى تحسين محدد لتجزئة الأورام الحميدة.
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل LGPS، وهو هيكل خفيف الوزن يعتمد على GAN مصمم خصيصًا لتجزئة الأورام الحميدة. يتضمن LGPS هيكلًا عظمى MobileNetV2 معدلاً وكتلة ReSE جديدة لتعزيز استخراج الميزات وإعادة التقييم. يتضمن الهيكل مولدًا لإنتاج أقنعة التجزئة ومميزًا لتحسين هذه الأقنعة من خلال التدريب التنافسي. تجمع دالة الخسارة المقترحة بين الانتروبيا المتقاطعة الثنائية، والتقاطع الموزون، وخسارة دايس لتحقيق توازن فعال بين دقة البكسل ودقة الحدود. تظهر نتائج دراسات الإزالة أن كل مكون من مكونات LGPS يساهم بشكل كبير في أدائه، محققًا دقة على مستوى الدولة بينما يظل مناسبًا للتطبيقات السريرية في الوقت الحقيقي.
DOI: https://doi.org/10.1016/j.bspc.2026.109777
Publication Date: 2026-02-03
Author(s): Fiseha B. Tesema et al.
Primary Topic: Colorectal Cancer Screening and Detection
Overview
Colorectal cancer (CRC) remains a leading cause of cancer-related mortality globally, highlighting the importance of early polyp detection and removal during colonoscopy. Despite advancements in deep learning for polyp segmentation, challenges such as high computational demands, difficulties in segmenting small or low-contrast polyps, and limited generalizability across datasets continue to hinder progress. To overcome these obstacles, the authors introduce LGPS, a lightweight Generative Adversarial Network (GAN)-based framework designed for effective polyp segmentation.
LGPS features three significant innovations: (1) a MobileNetV2 backbone enhanced with modified residual blocks and Squeeze-and-Excitation (ResE) modules for efficient feature extraction; (2) Convolutional Conditional Random Fields (ConvCRF) for accurate boundary refinement; and (3) a hybrid loss function that integrates Binary Cross-Entropy, Weighted Intersection over Union (IoU) Loss, and Dice Loss to mitigate class imbalance and improve segmentation accuracy. Validation on five benchmark datasets demonstrates that LGPS achieves a Dice score of 0.7299 and an IoU of 0.7867 on the challenging PolypGen test dataset, outperforming all state-of-the-art methods. With only 1.07 million parameters, LGPS is 17 times smaller than the smallest existing model, making it particularly suitable for real-time clinical applications and highlighting its potential to enhance early CRC diagnosis. The code for LGPS is publicly available at https://github.com/Falmi/LGPS/.
Introduction
Colorectal cancer (CRC) is a leading cause of cancer-related mortality, necessitating effective early detection methods such as colonoscopy for polyp identification and removal. However, the manual segmentation of polyps in colonoscopy images is complicated by their variability in size, shape, and texture, as well as image artifacts like motion blur and low contrast. These challenges contribute to inaccuracies in detection, highlighting the need for advanced Computer-Aided Diagnosis (CAD) systems. Recent advancements in deep learning, particularly through Convolutional Neural Networks (CNNs), have improved polyp segmentation accuracy, yet existing models face limitations including high computational demands, difficulties with small or low-contrast polyps, and poor generalization across diverse datasets.
To overcome these challenges, the authors introduce the Lightweight GAN-based framework for Polyp Segmentation (LGPS), which achieves state-of-the-art segmentation accuracy with only 1.07 million parameters, significantly smaller than current leading methods. LGPS incorporates three innovations: a GAN architecture that includes a generator for segmentation and a discriminator enhanced with Convolutional Conditional Random Fields (ConvCRF) for improved spatial coherence; a custom hybrid loss function that combines Binary Cross-Entropy (BCE), weighted Intersection over Union (IoU), and Dice losses to tackle class imbalance; and a MobileNetV2-based generator with modified residual Squeeze-and-Excitation (ReSE) blocks. This framework not only maintains high performance but also demonstrates robust generalization across various datasets, including the challenging Polyp-Gen dataset, positioning it as a viable solution for real-time clinical applications.
Methods
In this section, the authors detail the datasets and evaluation metrics employed in their experiments on polyp segmentation. They utilized six public datasets: Kvasir-SEG (1,000 images), CVC-ClinicDB (612 images at 384 × 288 resolution), CVC-ColonDB (380 images at 574 × 500 resolution), ETIS (196 images at 1225 × 966 resolution), CVC-300 (60 images at 574 × 500 resolution), and PolypGen (1,537 images with variable sizes). These datasets provide a diverse foundation for evaluating the performance of the proposed LGPS model, which was assessed using several metrics including the Dice coefficient, Intersection over Union (IoU), Recall, Precision, F2 score, and Accuracy.
The qualitative assessment of the LGPS model compared to existing state-of-the-art (SOTA) segmentation methods was conducted using visualizations from the Kvasir-SEG and CVC-ColonDB datasets. The results, summarized in a comparative table, indicate that while the LGPS model shows competitive performance, other methods like WDFF-Net and Huang et al. achieved higher Dice and IoU scores. Specifically, the LGPS model with a weighted loss achieved a Dice score of 0.9261 and an IoU of 0.9238, while the best-performing SOTA method, WDFF-Net, achieved a Dice score of 0.9521 and an IoU of 0.9084. This analysis highlights both the strengths and limitations of the LGPS model in the context of existing segmentation techniques.
Discussion
The discussion section of the paper highlights the advancements and challenges in medical image segmentation, particularly focusing on polyp segmentation. It reviews various architectures, including U-Net and its derivatives, which have set benchmarks but often struggle with complex visual patterns, leading to inaccuracies in segmentation. Attention mechanisms and transformer-based models have improved segmentation accuracy but at the cost of increased computational demands, limiting their applicability in real-time clinical settings. The need for lightweight models that maintain performance while being computationally efficient is emphasized, with existing solutions like LEDNet and Squeeze U-Net showing promise but lacking specific optimization for polyp segmentation.
To address these challenges, the authors propose the LGPS framework, a lightweight GAN-based architecture tailored for polyp segmentation. LGPS incorporates a modified MobileNetV2 backbone and a novel ReSE block to enhance feature extraction and recalibration. The architecture includes a generator for producing segmentation masks and a discriminator for refining these masks through adversarial training. The proposed loss function combines Binary Cross-Entropy, Weighted Intersection over Union, and Dice Loss to effectively balance pixel-wise accuracy and boundary precision. The results from ablation studies demonstrate that each component of LGPS contributes significantly to its performance, achieving state-of-the-art accuracy while remaining suitable for real-time clinical applications.