摘要

我们提出了一种不确定性增强的上下文注意力网络（Uncertainty Augmented Context Attention Network, UACANet），用于结肠息肉分割，并特别考虑了显著图中的不确定区域。该方法构建了一个改进的U-Net结构，引入了额外的编码器与解码器模块，并在每一层自下而上的预测模块中生成显著图，随后将其传递至下一预测模块。在每个预测模块中，利用先前预测得到的显著图，进一步生成前景、背景和不确定区域三类掩码图，并将特征图与这三类区域图进行融合，以获得每种表示的增强特征。随后，计算每一表示与特征图中每个像素之间的关联关系。我们在五个主流的息肉分割基准数据集（Kvasir、CVC-ClinicDB、ETIS、CVC-ColonDB 和 CVC-300）上进行了实验，取得了当前最优的性能表现。尤其在ETIS数据集上，平均Dice系数达到76.6%，相较于此前最优方法提升了13.8%。项目源代码已公开，可访问 https://github.com/plemeri/UACANet 获取。