基于三重注意力U-Net与EfficientNetB7的结肠息肉精准分割新方法

《International Journal of Imaging Systems and Technology》：TAU-EffNetB7: A Novel Triple Attention U-Net Approach Using EfficientNetB7 for Enhanced Polyp Segmentation

为解决结肠镜图像中息肉分割的复杂性和异质性难题，研究人员提出TAU-EffNetB7和TAU-EffNetB7+Residual双模型，通过三重注意力U-Net架构、空洞空间金字塔池化(ASPP)和迁移学习技术，在Kvasir-SEG等数据集上实现94.72%的最高Dice系数，显著超越U-Net基线模型，为小息肉和边界模糊病变提供精准分割方案。

结肠息肉分割在临床影像中既是关键挑战，由于结肠镜图像的复杂性和异质性，传统单阶段分割网络往往泛化能力不足，尤其对小息肉或边界模糊病变的识别精度有限。针对这一痛点，研究者创新性地开发了TAU-EffNetB7及其残差增强版TAU-EffNetB7+Residual。这两个模型分别采用三重注意力U-Net架构和三重注意力残差结构，融合级联阶段设计、注意力机制、残差操作、空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)以及基于EfficientNetB7的迁移学习技术。

这种多阶段架构如同精密的"特征提炼工厂"，逐步优化分割结果：既能捕捉多尺度特征，又能精准勾勒复杂边界。在Kvasir-SEG、CVC-ClinicDB和CVC-ColonDB三大公开数据集上的测试显示，TAU-EffNetB7交出的成绩单令人惊艳——Dice相似系数(DSC)分别达到89.54%、94.62%和94.68%。而加载残差模块的升级版更胜一筹，最高DSC飙升至94.72%，将U-Net和Attention U-Net等基线模型远远甩在身后。

更令人振奋的是，即便在训练数据严重不足的极端条件下（仅使用Kvasir-SEG1等子集训练），这两个模型依然展现出强悍的泛化能力。TAU-EffNetB7在Kvasir-SEG1训练后测试全量数据时DSC仍达90.18%，而残差增强版在CVC-ColonDB上的表现更是与全量训练结果持平（94.68%）。这项研究如同为结肠镜装上了"智能放大镜"，为临床实践中微小息肉的早期发现和精准诊疗提供了强有力的AI支持。