摘要

本文提出了一种新型的监督式卷积神经网络架构——“DUCK-Net”，该模型能够从少量医学图像中有效学习并实现良好的泛化能力，从而完成高精度的图像分割任务。我们的模型采用编码器-解码器结构，结合残差下采样机制与自定义卷积模块，能够在编码阶段多尺度地捕捉和处理图像信息。通过引入数据增强技术，我们丰富了训练数据集，显著提升了模型性能。尽管该架构具有广泛的适用性，可应用于多种分割任务，但在本研究中，我们重点展示了其在结肠镜图像中息肉分割任务中的卓越表现。我们在多个主流息肉分割基准数据集（Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB 以及 ETIS-LARIBPOLYPDB）上对所提方法进行了评估，结果表明，该方法在平均Dice系数、Jaccard指数、精确率（Precision）、召回率（Recall）和准确率（Accuracy）等关键指标上均达到了当前最优水平。实验结果表明，该方法具备强大的泛化能力，即使在训练数据有限的情况下仍能取得优异的性能表现。相关代码已开源，可在GitHub上获取：https://github.com/RazvanDu/DUCK-Net