摘要

结肠镜检查是诊断结直肠疾病的金标准，但其效果高度依赖于操作者的技术水平。自动息肉分割技术可以减少漏诊率，并在早期阶段及时治疗结肠癌。尽管已经开发了多种深度学习方法用于此任务，但息肉大小的变化可能会影响模型训练，从而导致模型对大多数训练样本的大小属性进行优化，而对不同大小的息肉产生次优结果。在本研究中，我们利用了与息肉大小和数量相关的特征，在训练过程中引入了文本注意力机制。我们引入了一个辅助分类任务来加权基于文本的嵌入向量，使网络能够学习额外的特征表示，从而更好地适应不同大小的息肉，并且能够处理多发性息肉的情况。实验结果显示，这些添加的文本嵌入向量显著提高了模型的整体性能，优于现有的最先进的分割方法。我们探索了四个不同的数据集，并提供了针对特定大小息肉改进的见解。所提出的文本引导注意力网络（TGANet）在不同数据集中对各种大小的息肉具有良好的泛化能力。