摘要

准确的息肉分割对于结直肠癌诊断具有重要意义。然而，即使使用强大的深度神经网络，息肉分割的发展仍面临三大挑战：(i) 在不同条件下采集的样本颜色不一致，导致特征分布差异和过拟合问题；(ii) 由于反复进行特征下采样，小息肉容易被降质；(iii) 前景和背景像素不平衡，导致训练偏差。为了解决上述问题，我们提出了一种浅层注意力网络（Shallow Attention Network, SANet）用于息肉分割。具体而言，为了消除颜色的影响，我们设计了颜色交换操作来解耦图像内容和颜色，并迫使模型更加关注目标的形状和结构。此外，为了提高小息肉的分割质量，我们提出了浅层注意力模块以过滤浅层特征中的背景噪声。得益于浅层特征的高分辨率，小息肉可以被正确保留。另外，为了缓解小息肉像素严重不平衡的问题，我们在推理阶段提出了一种概率校正策略（Probability Correction Strategy, PCS）。需要注意的是，尽管PCS未参与训练阶段，但它仍然可以在有偏差的模型上有效工作，并持续提升分割性能。在五个具有挑战性的基准数据集上的定量和定性实验结果证实，我们提出的SANet大幅超越了以往的最先进方法，并实现了约72帧每秒的速度。