PECI-Net: Bolus segmentation from video fluoroscopic swallowing study images using preprocessing ensemble and cascaded inference

Bolus分割对于自动检测视频摄影下吞咽障碍非常重要。然而，模型很难准确地在VFSS图像中分割bolus区域，因为VFSS图像是半透明的，对比度低，区域边界不清晰，缺乏颜色信息。为了克服这些挑战，我们提出了PECI-Net，这是一种用于VFSS图像分析的网络架构，结合了两种新技术：预处理集成网络（PEN）和级联推理网络（CIN）。PEN通过可学习的方式将多个预处理算法组合起来，增强VFSS图像的清晰度和对比度。CIN通过级联推理使用其他区域的上下文来减少bolus分割中的歧义。此外，CIN通过不对称地参考上下文来防止不可靠分割区域的不良副作用。在实验中，PECI-Net表现比四个最近开发的基准模型更高，比最佳基准模型TernausNet高出4.54％，比广泛使用的UNet高出10.83％。消融研究的结果证实，CIN和PEN对于改善bolus分割性能是有效的。

本论文旨在解决在VFSS图像分析中，由于VFSS图像的半透明、低对比度、不清晰的区域边界以及缺乏色彩信息等因素导致模型难以准确分割吞咽物区域的问题。

本文提出了一种名为PECI-Net的网络架构，它结合了两种新技术：预处理集合网络（PEN）和级联推理网络（CIN）。PEN通过可学习的方式将多种预处理算法相结合，增强VFSS图像的清晰度和对比度。CIN通过级联推理使用其他区域的上下文信息，减少吞咽物分割中的歧义。此外，CIN通过非对称方式参考上下文，防止不可靠分割区域产生不良副作用。与当前领域的研究相比，PECI-Net的思路具有创新性和有效性。

本文的实验结果表明，PECI-Net的性能比四种最近开发的基线模型更高，比最好的基线模型TernausNet高出4.54％，比广泛使用的UNet高出10.83％。消融研究的结果证实，CIN和PEN对于提高吞咽物分割性能是有效的。本文使用了多个数据集进行实验，并开源了代码。

在这个领域最近的相关研究包括：《A Deep Learning-Based Approach for Automated Detection of Swallowing Disorders from Videofluoroscopic Swallowing Studies》、《SwallowNet: A Deep Convolutional Neural Network for Automated Detection of Swallowing Disorders from Videofluoroscopic Swallow Studies》等。