GRAFNet: Bionisch inspiriertes Modell verbessert Polypsegmentierung in der Koloskopie

Die präzise Segmentierung von Polyps bei der Koloskopie ist entscheidend für die Krebsprävention, bleibt jedoch technisch schwierig. Ein neues Modell namens GRAFNet verspricht, diese Herausforderung zu meistern, indem es die Funktionsweise des menschlichen Sehsystems nachahmt.

Polyps weisen eine enorme morphologische Vielfalt auf – von flachen bis hin zu stark hervorstehenden Läsionen – und ähneln häufig normalen Strukturen wie Falten oder Blutgefäßen. Zudem erfordert die Erkennung eine robuste, mehrskalige Analyse. Traditionelle Deep‑Learning‑Ansätze stoßen hier an ihre Grenzen, weil sie meist nur in eine Richtung verarbeiten, schwache Mehrskalifusionen aufweisen und anatomische Beschränkungen ignorieren. Das führt zu Fehlsegmentierungen, sowohl zu Übersegmentierungen normaler Strukturen als auch zu verpassten, subtilen Läsionen.

GRAFNet besteht aus drei Kernmodulen. Das Guided Asymmetric Attention Module (GAAM) simuliert orientationsgetrimmte kortikale Neuronen, um Polypgrenzen hervorzuheben. Das MultiScale Retinal Module (MSRM) repliziert die Pfade der Retinalganglienzellen und ermöglicht parallele Analyse mehrerer Merkmale. Das Guided Cortical Attention Feedback Module (GCAFM) nutzt prädiktive Codierung für eine iterative Verfeinerung. Alle Module werden in einem Polyp Encoder‑Decoder Module (PEDM) zusammengeführt, das eine räumlich‑semantische Konsistenz durch resolutionsadaptive Rückkopplung sicherstellt.

In umfangreichen Tests auf fünf öffentlichen Benchmarks – Kvasir‑SEG, CVC‑300, CVC‑ColonDB, CVC‑Clinic und PolypGen – erzielte GRAFNet konsistente, führende Ergebnisse. Die Genauigkeit, gemessen an der Dice‑Metrik, verbesserte sich um 3 – 8 % und die Generalisierungsleistung lag 10 – 20 % über den aktuellen Spitzenmethoden. Zusätzlich liefert das Modell nachvollziehbare Entscheidungswege, was die Vertrauenswürdigkeit in klinischen Anwendungen erhöht.

GRAFNet demonstriert, wie biologisch inspiriertes Design die Grenzen der medizinischen Bildsegmentierung verschieben kann. Durch die Kombination von mehrskaliger Analyse, gezielter Aufmerksamkeit und iterativer Rückkopplung bietet das Modell einen vielversprechenden Ansatz für die zuverlässige Erkennung von Polyps und damit einen wichtigen Beitrag zur Krebsprävention.