摘要

结肠镜检查被认为是检测结直肠癌（CRC）及其前驱病变，即息肉，最有效的筛查方法。然而，由于息肉的异质性和观察者之间的依赖性，该程序的漏检率较高。因此，考虑到临床实践中息肉检测和分割的重要性，已提出了几种基于深度学习的系统。尽管这些自动化方法取得了较好的效果，但在实现实时处理速度方面仍存在效率问题。此外，当在跨患者数据上进行评估时，尤其是在来自不同中心的数据上，它们的表现会显著下降。为此，我们旨在开发一种新型的基于深度学习的实时架构——Transformer 基于残差网络（TransNetR），用于结肠息肉分割，并评估其诊断性能。所提出的 TransNetR 架构是一种编码器-解码器网络，由预训练的 ResNet50 作为编码器、三个解码块以及网络末端的一个上采样层组成。TransNetR 在 Kvasir-SEG 数据集上获得了 0.8706 的高 Dice 系数和 0.8016 的平均交并比，并保持了每秒 54.60 帧的实时处理速度。除此之外，本研究的主要贡献在于探索 TransNetR 的泛化能力，通过在分布外（测试分布未知且与训练分布不同）数据集上测试所提出的算法来实现这一目标。作为一个应用案例，我们在 PolypGen（包含 6 个独特中心）数据集和其他两个流行的息肉分割基准数据集上测试了所提出的算法，并在所有三个数据集上的分布外测试中均取得了最先进的性能。TransNetR 的源代码将在 https://github.com/DebeshJha 上公开发布。