几何感知互学习框架(GAML)在结直肠息肉分割中的创新应用：提升边界精度与内部结构完整性的深度学习策略

针对结直肠息肉分割中存在的尺寸形态多样性及边界模糊难题，安徽工程大学团队提出几何感知互学习框架(GAML)。该研究通过区域-边界特征提取器、几何感知上下文聚合模块(GACA)和图推理模块(GAGR)的协同设计，实现了内部结构完整性与外部边界连续性的双重优化。实验表明在Kvasir-SEG等四大基准数据集上，该方法以91.74 FPS的实时性能显著超越现有技术，为临床结肠癌早期诊断提供可靠AI辅助工具。

　　

结直肠癌作为全球癌症相关死亡的第二大诱因，其早期筛查依赖于结肠镜下息肉组织的精准识别。然而临床实践中，息肉呈现的尺寸多变、形态不规则特性，加之与周围黏膜组织的低对比度边界，使得传统人工诊断既费时又易漏检。尽管UNet++、ResUNet++等深度学习模型已取得进展，但现有方法往往难以兼顾内部纹理一致性(R1)与外部边界连续性(R2)这两个关键解剖学特征，导致复杂病灶区域的误分割率居高不下。

安徽工程大学研究团队在《Biomedical Signal Processing and Control》发表的研究中，创新性地提出几何感知互学习框架(GAML)。该方法受人类视觉异常检测机制启发，通过建立内部区域特征与外部边界特征的互补学习机制，在Kvasir-SEG等四个公开数据集上实现了91.74帧/秒的实时分割性能，mDice系数提升达3.2%。研究采用多尺度特征提取器捕获息肉区域特征，结合几何感知上下文聚合模块(GACA)建立像素级长程依赖，并创新性地通过几何感知图推理(GAGR)模块将区域-边界特征转化为图节点进行跨域传播。特别值得注意的是，该方法在Kvasir-Sessile数据集上对无蒂型息肉的边界分割精度提升显著，有效解决了传统方法对sessile型息肉边界模糊的识别瓶颈。

关键技术路线包含：(1)基于CNN的多尺度区域-边界特征并行提取；(2)GACA模块通过非局部注意力机制建模像素间几何关系；(3)GAGR模块构建区域-边界异构图进行特征传播；(4)动态特征重投影解码器。实验数据来自Kvasir-SEG(1000张)、CVC-ClinicDB(612张)、BKAI(1000张)和Kvasir-Sessile(196张)四个权威数据集。

【区域特征和边界提取器】部分研究表明，该模块通过并行双分支结构分别提取3-5个尺度的区域特征和Sobel算子增强的边界特征，在BKAI数据集上使小息肉(<10mm)的检出率提升17.6%。

【几何感知上下文聚合(GACA)】通过建立外部结构区域像素与内部像素的关联矩阵，在CVC-ClinicDB数据集上使黏膜下浸润区域的假阳性率降低12.3%。可视化分析显示该模块能有效捕捉息肉与周围血管的拓扑关系。

【几何感知图推理(GAGR)】将区域特征作为中心节点、边界特征作为边缘节点构建二分图，通过图注意力机制实现特征传播。定量实验表明该模块使Kvasir-SEG的边界F1-score提升至0.891±0.024。

【特征适应解码器】采用可变形卷积动态调整感受野，对Kvasir-Sessile中形态不规则息肉的mIoU达到0.823，显著优于对比方法。

结论部分强调，GAML框架首次将几何结构互学习理念引入医学图像分割领域，通过GACA和GAGR模块的协同作用，在保持83.6%高敏感度的同时将过分割率控制在7.2%以下。该方法不仅为息肉分割建立了新的技术基准，其几何感知的设计思想更为其他器官边界敏感型分割任务(如胃癌灶识别)提供了范式参考。当前研究局限在于对极端运动模糊场景的适应性不足，未来将通过时空特征融合进一步优化。