摘要

结肠镜检查是目前诊断的金标准，但其结果高度依赖操作医师的经验。为有效降低漏诊率，研究人员致力于实现息肉（一种癌前病变）的自动检测与分割。当前广泛使用的基于编码器-解码器结构的计算机辅助息肉分割系统在准确性方面已取得较高性能。然而，来自不同医疗机构采集的息肉分割数据集往往遵循不同的成像协议，导致数据分布存在差异。因此，大多数现有方法在面对新数据集时性能显著下降，通常需要针对每个特定数据集重新训练模型。为解决这一泛化性问题，本文提出一种全局多尺度残差融合网络（GMSRF-Net）。该网络在保持高分辨率表征的同时，对所有尺度进行多尺度融合操作。为进一步挖掘尺度信息，我们在GMSRF-Net中设计了跨多尺度注意力模块（CMSA）与多尺度特征选择模块（MSFS）。通过CMSA与MSFS门控的重复融合机制，显著提升了网络的泛化能力。在两个不同息肉分割数据集上的实验结果表明，与之前表现最优的先进方法相比，所提出的GMSRF-Net在未见过的CVC-ClinicDB和Kvasir-SEG数据集上，Dice系数分别提升了8.34%和10.31%。