编辑推荐：
在医学图像分割中，现有轻量化方法在息肉分割任务上表现不佳。研究人员提出 TPCP-Net 进行息肉分割研究。结果显示，其在五个主流数据集上性能优异，参数和计算复杂度大幅降低。该研究填补了息肉分割轻量化模型的空白。
在医学领域，随着科技发展，对疾病的早期诊断和精准治疗愈发关键。结直肠癌（CRC）作为一种高风险、高死亡率的癌症，严重威胁着人们的健康。据统计，全球每年约有 694,000 人死于结直肠癌，其死亡率在男女中均仅次于肺癌。而结肠息肉的癌变，尤其是腺瘤性息肉的癌前病变，是导致结直肠癌的主要原因。目前，结肠镜检查是预防这一过程的金标准，准确的息肉分割对于结肠镜检查中的疾病诊断至关重要。
深度学习在医学图像分析领域取得了显著进展，U-Net 的出现更是为医学图像语义分割任务树立了标杆，其衍生作品也都展现出不错的效果。然而，近年来随着医疗技术的进步，对轻量化网络的需求日益增长，比如在护理点的即时护理手持成像设备以及移动应用场景中。但现有的典型方法往往侧重于提高准确性，却忽视了参数和计算中的潜在冗余，在边缘和物联网设备上部署困难，尤其在医疗资源匮乏的偏远地区。虽然陆续有各种轻量化医学图像分割模型被提出，如 UNeXt、ConvUNeXt 等，但这些方法都并非专为息肉分割设计，在实际测试中也未能取得理想结果，现有的轻量化模型在息肉分割任务上差强人意。
为了解决这一难题，国内研究人员开展了针对息肉分割的轻量化网络研究，提出了 Tiny Parameters, Computational complexity for Polyp segmentation（TPCP-Net）。这项研究成果发表在《Biomedical Signal Processing and Control》上。TPCP-Net 的出现，填补了息肉分割轻量化模型的空白，为医学领域的相关研究和临床应用带来了新的希望。
研究人员在开展此项研究时，主要运用了以下关键技术方法：采用独特的编码器 - 解码器结构与卷积下采样相结合的方式，自适应提取关键特征；在浅层编码器中使用倒瓶颈残差块替代普通卷积，降低计算量；运用可学习的卷积下采样代替池化操作，保留关键特征信息；设计多尺度边界增强（MBE）模块，增强边界上下文和多尺度信息。在实验过程中，研究人员使用了五个公开的息肉分割基准数据集，包括 Kvasir-SEG、CVC-ClinicDB、CVC-ClolonDB、CVC-T 和 ETIS-Larib。
U 形架构（U-shaped architecture）
U 形架构以 U-Net 为代表，广泛应用于各种语义分割任务，它源于全卷积网络（FCN）更早期、更基础的编解码架构。U-Net 面向 2D 图像处理，与 FCN 不同，它不含全连接层，在每个阶段都采用全卷积进行特征提取和密集预测。在解码分支（即上采样路径），U-Net 有着独特的设计。TPCP-Net 借鉴了 U 形架构的优势，并在此基础上进行创新。
实验设置（Experimental settings）
研究人员使用了五个公开的息肉分割基准数据集对 TPCP-Net 的性能进行评估。其中，Kvasir-SEG 数据集由挪威 Vestre Viken Health Trust（VV）的内窥镜设备收集，图像经过 VV 和癌症登记处经验丰富的胃肠病学家仔细注释和验证。通过在这些数据集上的实验，研究人员全面地测试了 TPCP-Net 的性能。
研究结果
在五个主流息肉分割数据集上的实验结果显示，TPCP-Net 相较于典型方法，在参数数量和计算复杂度上有了大幅降低，分别达到了 51 倍和 440 倍的减少。与其他轻量化医学分割网络相比，TPCP-Net 综合表现最优，取得了最佳的分割性能。这表明 TPCP-Net 在息肉分割任务上具有显著的优势，能够更精准地识别和分割息肉，为医生在结肠镜检查中的诊断提供更可靠的支持。
结论和讨论
TPCP-Net 是一个 6 阶段的 U 形网络，通过一系列创新设计，如在浅层编码器中使用倒瓶颈块替代普通卷积以减少计算量，运用可学习的卷积下采样保留关键特征信息，提出 MBE 模块增强边界上下文和多尺度信息等，最终满足了在有限资源下进行高效息肉分割的需求。
TPCP-Net 的成功研发意义重大。它不仅为医学图像分割领域提供了一种新的、高效的轻量化网络模型，推动了相关理论和技术的发展；还为临床实践带来了实际的应用价值，特别是在医疗资源有限的地区，医生可以借助 TPCP-Net 在边缘设备上快速、准确地进行息肉分割，辅助疾病诊断，提高诊断效率和准确性，进而改善患者的治疗效果和预后。这项研究成果为未来医学图像分析和临床诊断的发展指明了新的方向，有望在更广泛的医学领域得到应用和拓展。
