深度感知的息肉分割算法

摘要

息肉分割在结直肠癌预防和肠道疾病诊断中起着关键作用。然而，现有的息肉分割算法普遍忽视了息肉的3维凸起特性，限制了其分割性能的提升。深度图能够提供关于息肉凸起和形状的额外信息，从而更准确地捕捉息肉的空间结构。因此，本文提出了一种深度感知的息肉分割网络（depth aware network for polyp segmentation,DANet），通过结合深度信息，改善分割模型对于息肉边界和形状的识别能力。该网络包括一个空域分支、一个深度分支及一个特征融合模块。空域分支采用基于Transformer的编码器，获得多尺度的特征表示。深度分支用于提取息肉的深度级别特征，并通过注意力机制关注息肉的3维结构。特征融合模块将息肉和周围组织的深度差异引入多尺度特征中，增强各尺度特征对息肉位置和形态的识别能力。在5个息肉数据集和6个评价指标上将本文算法DANet与多个先进息肉分割算法进行了对比实验，实验结果显示，DANet在Kvasir–SEG数据集上的Dice系数和交并比分别达到了0.911和0.855，而在CVC–ClinicDB数据集上则分别达到了0.934和0.884，显著优于现有方法。

关键词

深度感知 / 息肉分割 / 深度学习 / 深度图