论文地址：https://doi.org/10.1007/978-3-030-87234-2_3
发表于：MICCAI 21

Abstract

结直肠息肉的鉴别是一项重要的临床检查。需要一个计算机辅助诊断系统来协助从结肠镜图像中进行准确诊断。以前的研究大多试图利用窄带成像(Narrow-Band Imaging, NBI)或其他增强图像来开发息肉的鉴别模型。然而，由于成像技术的滞后，这些模型在临床工作中的广泛应用受到限制。因此，我们提出了一个基于教师-学生结构的新型框架，通过在检查中直接使用白光(White-Light, WL)结肠镜图像来实现准确的结直肠息肉分类(Colorectal Polyp Classification, CPC)。在实践中，在训练过程中，利用辅助的NBI图像来训练教师网络，引导学生网络从WL图像中获得更丰富的特征表示。特征转移是通过领域对齐和对比学习实现的。最终，学生网络有能力只从WL图像中提取对齐的特征，以促进CPC任务。此外，我们发布了第一个公开的包含WL-NBI对的CPC数据集，用于对齐训练。定量和定性评估表明，所提出的方法在CPC方面优于以前的方法，以非常快的速度提高了5.6%的准确性。

Method

本文任务存在两个domain，一个是WL，一个是NBI。首先，使用NBI图像训练一个教师特征提取器。在教师网络收敛后，冻结其参数，将其作为NBI域特征的提取器。类似的，使用WL图像训练一个学生特征提取器。

这里需要注意的一点是，仅使用NBI特征就已经足够完成息肉分类任务了(比如各经典方法)，但是仅靠WL特征是不足以进行息肉分类的。本文的最终目标是仅利用WL图像便能完成分类，为此，就需要想办法提升WL域特征的丰富度。具体的做法则是采用对抗训练的方式，使用一个判别器，迫使WL提取到的特征尽可能解决NBI提取到的特征，从而实现特征对齐的目的。

此外，本文还引入了对比学习的方式来进一步强调特征对齐。具体做法是，调整后的WL特征不但应该与NBI特征相似，还得与未经调整的WL特征本身不相似。这是通过引入对比损失来实现的。