Deep Learning for Polyp Detection from Synthetic Narrow-Band Imaging

Abstract

Kolorektal kreft (CRC) har blitt en utbredt krefttype i utviklide land, og screeningprogrammer har blitt populære på grunn av sin beviselig preventive effekt. Koloskopi er ansett som den beste screeningmetoden for CRC, og forskjellige verktøy har blitt utviklet for å forenkle deteksjonen av adenomatøse polypper under denne eksaminasjonen. Blant disse er automatisk polyppdeteksjon og narrow-band imaging (NBI). I denne oppgaven er metoden CycleGAN benyttet til å lage forskjellige syntetiske NBI (kalt SNBI) datasett fra vanlig white-light imaging (WLI) data. De forskjellige datasettene har blitt brukt uavhengig til å trene objektdeteksjonsnettverket EfficientDet-D0 for både polyppdeteksjon (one-class detection) og deteksjon som skiller mellom adenomer og hyperplastiske polypper (two-class detection). De beste SNBI-modellene har deretter blitt sammenlignet med modeller trent på orginal WLI, samt ekte NBI av de samme polyppene. Resultatene viser at den foreslåtte SNBI-en greier å detektere polypper, spessielt hyperplastiske polypper, lettere enn WLI. Disse funnene, samt resultater med ekte NBI, indikerer også at NBI generelt er en bedre modalitet for polyppdeteksjon og -klassifisering. Tross feil i blant annet datasettene som ble brukt viser eksperimentene som ble gjennomført med generert SNBI at GAN-baserte metoder kan bli brukt til modalitetstransformasjoner i koloskopiavbildning. Genereringen av SNBI har en kjøretid på 5.3ms, som gjør den anvendelig for post-prosesserende bildeforbedring i sanntid. Anvendelsen av slike teknikker kan ansees som en ny tilnærming til endoskopisk bildeforbedring og har stort potensiale for videre utvikling.

Colorectal cancer (CRC) has become a prevalent cancer type in developed countries, and screening programs have gained popularity due to their demonstrable preventive effect. Colonoscopy is regarded as the best-performing procedure for CRC screening, and different tools have been developed to ease the detection of adenomatous polyps during this examination. Among these are automatic polyp detection and narrow-band imaging (NBI). In this thesis, the method CycleGAN is used to create different synthetic narrow-band imaging (SNBI) datasets from regular white-light imaging (WLI) data. The different datasets have been used independently to train the state-of-the-art object detection network EfficientDet-D0 for both one-class (polyp) and two-class (hyperplastic polyps vs. adenomas) detection. The best performing SNBI models have then been compared to models trained on the original WLI, as well as real NBI of the same polyps. The results show that the proposed SNBI is able to detect polyps, especially hyperplastic polyps, easier than WLI. These findings, and results with real NBI, also indicate that NBI is a better modality for polyp detection and classification in general. Despite flaws in, for instance, the datasets used, the experiments conducted with the generated SNBI show that GAN-based methods can be used for modality transformation in colonoscopy imaging. The generation of SNBI has an inference time of 5.3ms, making it applicable for real-time post-process image enhancement. Applying such techniques can be considered a novel approach to endoscopic image enhancement with a great potential for further development.