Automatic mucosal lesion segmentation is a critical component in computer-aided clinical support systems for endoscopic image analysis. Image segmentation networks currently rely mainly on convolutional neural networks (CNNs) and Transformers, which have demonstrated strong performance in various applications. However, they cannot cope with blurred lesion boundaries and lesions of different scales in gastrointestinal endoscopy images. To address these challenges, we propose a new Transformer-based network, named GLGFormer, for the task of mucosal lesion segmentation. Specifically, we design the global guidance module to guide single-scale features patch-wise, enabling them to incorporate global information from the global map without information loss. Furthermore, a partial decoder is employed to fuse these enhanced single-scale features, achieving single-scale to multi-scale enhancement. Additionally, the local guidance module is designed to refocus attention on the neighboring patch, thus enhancing local features and refining lesion boundary segmentation. We conduct experiments on a private atrophic gastritis segmentation dataset and four public gastrointestinal polyp segmentation datasets. Compared to the current lesion segmentation networks, our proposed GLGFormer demonstrates outstanding learning and generalization capabilities. On the public dataset ClinicDB, GLGFormer achieved a mean intersection over union (mIoU) of 91.0% and a mean dice coefficient (mDice) of 95.0%. On the private dataset Gastritis-Seg, GLGFormer achieved an mIoU of 90.6% and an mDice of 94.6%.

Purpose This paper aims to facilitate the research and development of resilient navigation approaches, explore the robustness of adversarial training to different interferences and promote their practical applications in real complex environments. Design/methodology/approach In this paper, the authors first summarize the real accidents of self-driving cars and develop a set of methods to simulate challenging scenarios by introducing simulated disturbances and attacks into the input sensor data. Then a robust and transferable adversarial training approach is proposed to improve the performance and resilience of current navigation models, followed by a multi-modality fusion-based end-to-end navigation network to demonstrate real-world performance of the methods. In addition, an augmented self-driving simulator with designed evaluation metrics is built to evaluate navigation models. Findings Synthetical experiments in simulator demonstrate the robustness and transferability of the proposed adversarial training strategy. The simulation function flow can also be used for promoting any robust perception or navigation researches. Then a multi-modality fusion-based navigation framework is proposed as a light-weight model to evaluate the adversarial training method in real-world. Originality/value The adversarial training approach provides a transferable and robust enhancement for navigation models both in simulation and real-world.

Purpose This paper aims to develop a robust navigation enhancement framework to handle one of the most urgent needs for real applications of autonomous vehicles nowadays, as these corner cases act as the most commonly occurred risks in potential self-driving accidents. Design/methodology/approach In this paper, the main idea is to fully exploit the consistent features among spatio-temporal data and thus detect the anomalies and build residual channels to reconstruct the abnormal information. The authors first develop an anomaly detection algorithm, then followed by a corresponding disturbed information reconstruction network which has strong robustness to address both the nature disturbances and external attacks. Finally, the authors introduce a fully end-to-end resilient navigation performance enhancement framework to improve the driving performance of existing self-driving models under attacks and disturbances. Findings Comparison results on CARLA platform and real experiments demonstrate strong resilience of the authors’ approach which enhances the navigation performance under disturbances and attacks. Originality/value Reliable and resilient navigation performance under various nature disturbances and even external attacks is one of the most urgent needs for real applications of autonomous vehicles nowadays, as these corner cases act as the most commonly occurred risks in potential self-driving accidents. The information reconstruction approach provides a resilient navigation performance enhancement method for existing self-driving models.