编辑推荐：
为解决结直肠息肉分割中局部细节与全局上下文特征提取不足、边界信息丢失等问题，研究人员开展 RBSTUNet 双分支并行网络的研究。结果显示该模型在多数据集上表现优异，对结直肠癌早期诊断和干预意义重大。
在医学领域，结直肠癌严重威胁人类健康。据世界卫生组织数据，它是全球第三大常见癌症，每年导致数百万死亡。早期检测和切除息肉是预防结直肠癌的关键。然而，息肉分割任务困难重重。息肉与周围组织边界常模糊不清，尤其是小息肉或颜色相近的息肉；内镜图像的质量、亮度以及息肉周围环境因素都会影响分割结果。
当前，深度学习技术在医学图像分割领域取得显著进展，卷积神经网络（CNN）强大的特征提取能力推动了该领域发展，基于全卷积网络的图像分割模型被广泛应用，其中 U - Net 的编码器 - 解码器架构通过跳跃连接有效解决了下采样过程中精细特征信息的丢失问题。但医学图像中目标区域与周围环境相似，现有方法在提取多尺度上下文特征信息时，往往聚焦于深层特征，忽略浅层特征中丰富的边界信息。同时，CNN 卷积操作在捕捉长距离依赖关系方面存在固有局限，影响了其在处理纹理、大小和形状差异较大任务时的效果。Transformer 模型虽能有效捕捉全局上下文信息，但在医学图像分割中缺乏空间感知偏差，难以准确捕获局部细节信息。尽管已有研究将 CNN 和 Transformer 结合用于医学图像分割，但仍未充分利用浅层特征中的边界信息。
在此背景下，为解决结直肠息肉分割任务中存在的问题，研究人员开展了关于双分支并行分割网络 RBSTUNet 的研究。该研究成果对结直肠癌的早期诊断和干预具有重要意义，论文发表在《Biomedical Signal Processing and Control》。
研究人员在开展研究时，主要运用了以下关键技术方法：采用双分支网络结构，同时提取局部特征细节和全局上下文信息；在 CNN 分支的深层特征中使用密集特征聚合策略引导全局上下文；各层不同分支间采用双分支注意力融合模块，从通道和空间维度更全面地提取特征；利用空间逆注意力机制对边界特征进行细化；为防止边界信息丢失，在浅层特征中添加边界增强模块，最终构建了 5 层 U 形网络结构。实验使用了五个数据集（Kvasir - SEG、CVC - ClinicDB、EndoTect_2020、bkai - igh - neopolyp 和 VOC2024）进行模型性能评估。
研究结果
- 模型设计与架构：提出的 RBSTUNet 双分支并行网络，结合了 CNN 和 Transformer 架构。在特征提取过程中，通过双分支注意力融合模块，动态计算各分支权重，增强了特征提取的选择性，以适应复杂的分割环境。利用空间逆注意力机制，对深度阶段预测掩码输出的非目标区域赋予更大权重，从而细化边界特征。同时，浅层特征添加边界增强模块，有效捕捉复杂边界形状和结构，与双分支网络各层构成 5 层 U 形网络，提高了特征表达能力。
- 性能评估：将 RBSTUNet 模型与当前最先进的技术在五个息肉数据集上进行比较。实验结果表明，该模型取得了优异成绩，Dice 系数达到 0.9381、IOUs 为 0.8917、Accuracy 为 0.9782、Recall 为 0.9417、F2_score 为 0.9387。这充分证明了 RBSTUNet 模型相较于其他方法具有更高的分割准确性和有效性。
- 消融实验：研究还进行了消融实验，以验证模型各模块的重要性。结果充分展示了每个模块在分割任务中的优越性。通过可视化分割结果，可以直观地看出 RBSTUNet 模型在分割精度上明显优于其他模型。
研究结论与讨论
RBSTUNet 模型在结肠镜息肉分割中展现出高准确性和强鲁棒性，能够对不同的息肉数据集实现高精度分割，为结直肠癌的早期诊断和干预提供了有力支持。然而，该模型的双分支网络结构虽然充分提取了局部和全局信息，但也导致模型参数数量增加，进而延长了推理时间。这是未来研究需要进一步优化的方向。总体而言，RBSTUNet 模型的提出为医学图像分割领域提供了新的思路和方法，在结直肠癌的早期防治中具有广阔的应用前景，有望推动相关临床实践的发展，为降低结直肠癌的发病率和死亡率做出贡献。
