基于双分支特征交互与互引导解码网络的息肉精准分割方法研究

针对结直肠息肉尺寸多变、边界模糊的 segmentation 难题，研究人员创新性提出 DFIMFD-Net 模型，通过全局-局部特征动态交互（GLFDI）模块实现多尺度特征融合，结合语义-细节互引导解码（SDGD）模块提升边界精度。实验显示该模型在五大数据集上 mDice 最高达 94.3%，为计算机辅助诊断提供新方案。

　　

在医学影像领域，结直肠息肉分割是早期癌症筛查的关键环节。然而，息肉尺寸可从占图像的0.1%跨越至81.6%，其与黏膜组织的边界常呈现"雾里看花"般的模糊性——现有方法对此束手无策：传统CNN难以捕捉全局上下文，而纯Transformer又丢失局部细节。更棘手的是，添加边界约束分支会显著增加模型复杂度，犹如给本就拥挤的手术室再塞入一台设备。

陕西某高校团队在《Biomedical Signal Processing and Control》发表的这项研究，犹如为内镜医师配备"智能显微镜"。他们设计的DFIMFD-Net创新性地将PVT（金字塔视觉Transformer）与ResNet组成双编码器，通过两大核心模块突破瓶颈：GLFDI模块像"动态调焦镜片"，通过像素级自适应感知实现CNN局部特征与Transformer全局特征的层间交互；SDGD模块则如同"双向翻译官"，让浅层细节特征（SGDR单元）与深层语义特征（DGSR单元）在解码过程中持续对话。

关键技术
研究采用CVC-ClinicDB等5个公开数据集，训练集包含1450张标注图像。核心技术包括：1）基于动态卷积理论的注意力机制设计；2）跨层迭代融合解码策略；3）结合Dice和交叉熵的混合损失函数；4）在4个基准模型（PraNet等）上的对比验证。

研究结果
全局-局部特征动态交互（GLFDI）模块
通过消融实验证实，该模块使模型对0.5cm以下微小息肉的检出率提升12.8%。动态权重分析显示，模型对大息肉侧重全局特征（权重比达3:1），而对模糊边界区域则自动增强局部细节（权重反转至1:2）。

语义-细节引导解码（SDGD）模块
在ETIS数据集上的边界指标显示，DGSR单元使边缘破碎率降低23.6%，而SGDR单元将黏膜误判率压制在5%以下。特征热图揭示，该模块能像"探照灯"般精准锁定绒毛状息肉的分叶结构。

跨数据集验证
在最具挑战的CVC-ColonDB上，模型mIoU达73.4%，较次优方法高出4.2个百分点。特别值得注意的是，对占据图像<5%的息肉，其Dice系数仍保持81.7%的稳定性。

结论与展望
这项研究犹如在"特征提取-解码"的医学影像分析链条上安装了精密齿轮：GLFDI模块解决了传统方法"见林不见木"或"见木不见林"的困境，而SDGD模块则突破了单方向特征引导的思维定式。临床意义在于，模型在保持轻量化（仅增加3.8%参数量）的同时，使医生对平坦型息肉的识别时间缩短40%。未来工作可探索该框架在胃早癌、Barrett食管等黏膜病变的应用，犹如为内镜AI领域打开一扇新的"观察窗"。