摘要

结肠镜检查被认为是检测结直肠癌及其癌前病变的金标准。然而，现有的检查方法普遍存在较高的漏诊率，许多异常病灶未能被及时发现。基于先进机器学习算法的计算机辅助诊断（Computer-Aided Diagnosis, CAD）系统被视为一项颠覆性技术，能够识别内镜检查过程中医生可能忽略的结肠区域，从而帮助更准确地检测和表征病变。在前期工作中，我们提出了ResUNet++网络架构，并证实其在性能上优于U-Net和ResUNet等同类模型。本文进一步证明，通过引入条件随机场（Conditional Random Field, CRF）和测试时增强（Test-Time Augmentation, TTA）策略，可显著提升ResUNet++架构的整体预测性能。我们进行了广泛的实验评估，并在六个公开可用的数据集上验证了该方法的有效性：Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB、ETIS-Larib Polyp DB、ASU-Mayo Clinic结肠镜视频数据库以及CVC-VideoClinicDB。此外，我们将所提出的架构及其训练模型与当前其他先进方法进行了系统比较。为评估ResUNet++在不同公开结肠息肉数据集上的泛化能力，以支持其在真实临床环境中的应用，我们开展了全面的跨数据集评估。实验结果表明，引入CRF与TTA不仅在单一数据集上提升了分割性能，在跨数据集场景下也表现出显著的性能增强，充分验证了该方法的鲁棒性与实用性。