摘要

在计算机辅助临床支持系统中，对内镜图像进行自动分析时，识别息肉仍是一项具有挑战性的任务。基于卷积神经网络（CNN）、Transformer及其融合架构的模型已在息肉分割任务中展现出良好的性能。然而，这些方法普遍存在局限性：要么仅关注息肉的局部外观特征，要么在解码过程中缺乏多层次特征以有效建模空间依赖关系。为此，本文提出一种新型网络结构——ColonFormer，以克服上述不足。ColonFormer采用编码器-解码器架构，能够在编码器和解码器两个分支中同时建模长距离语义信息。其中，编码器基于轻量级Transformer结构，用于在多尺度下捕捉全局语义关联；解码器则采用分层网络结构，旨在学习多层级特征，从而增强特征表达能力。此外，本文引入一个精细化模块，并设计了一种新型跳跃连接机制，用于在全局特征图中精炼息肉边界的分割结果，提升分割精度。在五个主流息肉分割基准数据集（包括Kvasir、CVC-Clinic DB、CVC-ColonDB、CVC-T和ETIS-Larib）上进行了大量实验。实验结果表明，所提出的ColonFormer在所有基准数据集上均优于现有的先进方法，展现出卓越的分割性能。