自动准确的食管病变分类和分割对于临床评估食管病变的病变状态和制定合适的诊断方案具有重要意义。由于病变在形状、颜色和纹理方面的个体差异和视觉相似性，当前的临床方法仍然存在潜在的高风险和耗时问题。近日，Medical Image Analysis发表文章，提出了一种使用深度卷积神经网络(DCNN)进行食管病变自动分类和分割的食管病变网络(ELNet)。底层方法自动集成双视图上下文病变信息以提取全局特征和局部特征用于食管病变分类和病变特定分割网络被提出用于像素级的自动食管病变注释。对于所建立的1051张白光内窥镜图像的临床大规模数据库，方法验证采用十倍交叉验证。实验结果表明，该框架实现了灵敏度为0.9034、特异性为0.9718、准确度为0.9628的分类，以及灵敏度为0.8018、特异性为0.9655、准确度为0.9462的分割。这些结果都表明所提出的方法能够在临床上实现高效、准确和可靠的食管病变诊断。
主要贡献：
1.首次提出ELNet，用于从临床白光食管图像中自动可靠地综合食管病变分类和病变特异性分割。它能够有效地检测食管病变，为临床医生制定合适的诊断方案。
2.提出了一种用于食管病变分类的新型双流网络（DSN）。DSN使用两个CNN流自动集成双视图上下文病变信息，以互补地提取全局和局部特征。有效提高食管病变分类性能，自动预测食管病变状态。
3.提出了具有分类的分割网络（SNC）策略的病变特异性食管病变注释，以减少病变内差异，以在像素级别自动分割三种病变类型。
4.建立了临床大规模数据库食管数据库，用于食管病变的分类和分割。该数据库包括1051张白光食管图像，由四种不同病变类型的内窥镜图像组成。该数据库中的每个食管图像都有一个分类标签及其相应的分割注释。
结果展示：
Figure 1. ELNet的框架图
所提出的ELNet包括以下功能部分：（1）预处理模块执行归一化、光谱反射去除和数据增强等操作，对食管图像进行归一化，减少无关信息阻塞，解决过拟合问题；（2）Location模块采用Faster-RCNN突出食管病变的ROI；(3)分类模块利用提出的由全局和局部流组成的DSN同时提取四类食管病变分类（正常、炎症、巴雷特和癌症）的全局和局部特征；(4)Segmentation模块使用所提出的特定病变分割网络在像素级执行自动食管病变注释。
Figure 2. DSN（红色）、全局网络（蓝色）和局部网络（绿色）的ROC曲线和AUC值
与全局网络（AUC：0.976）和局部网络（AUC：0.971）相比，DSN实现了卓越的性能（AUC：0.994）。这些改进结果表明，DSN对这两个流进行了合理的整合，以提高分类性能，并说明Global Stream是DSN的基础，Local Stream是Global Stream的有力补充。
Figure 3所提出的DSN的三种类型的食管病变图像（顶部）和相应的热图（底部）的可视化结果
所提出的DSN在三种食管病变类型上的可视化结果如图3所示。热图中越接近红色，原始图像中的激活越强，这表明来自该区域的信息对最终决策的贡献更大。从图可以看出，所提出的DSN有效地提取了食管病变特征，抑制了不相关的背景信息，并实现了出色的分类性能。对于数据库中的三种食管病变图像，提出的DSN可以准确地突出显示与食管病变相关的像素区域。
Figure 4有分类的分割和无分类的分割结果对比
图4定性地比较了所提出的有分类分割和无分类分割两种策略之间的分割性能。使用有分类分割策略的病灶特定分割与专家制作的地面实况很好地匹配。对于无分类的分割策略，由于三种食管病变类型的欠拟合，癌症和炎症类型的分割结果在像素级别产生相对较高的假阳性。所提出方法的这些增加是由于病变特异性分割为每种食管病变类型提供了一个独立且有效的网络，它适应每种病变类型并减少像素级别的假阳性。
总结：
在本文中，首次提出了自动实现食管病变准确分类和分割的框架。该框架由食管病变分类和分割的四个相互依赖的部分组成：（1）预处理模块用于对原始食管图像进行归一化、镜面反射去除和数据增强以初始化数据；（2）Location模块采用Faster RNN聚焦食管病变的ROI；(3)在Classification模块中，DSN整合了双视角上下文病灶信息，同时提取全局特征和局部特征用于食管病灶分类（Normal、Inflammation、Barrett和Cancer）；(4)提出了针对三种病变类型（Inflammation、Barrett和Cancer）的病变特定注释，以便在分割模块中进行像素级自动准确注释。
来源：Medical Image Analysis
题目：ELNet: Automatic classification and segmentation for esophageal lesions using convolutional neural network
