基于多注意力机制(MANet)的结直肠息肉精准分割算法研究及其临床应用价值

针对结直肠息肉分割中浅层特征忽略和背景混淆难题，研究人员提出多注意力网络(MANet)，创新性集成浅层特征提取模块(SFEM)和伪装识别模块(CIM)，在5个公共数据集上验证显示其显著提升小息肉和低对比度区域的识别精度，为结直肠癌早期诊断提供新工具。

　　

在医学影像领域，结直肠癌的早期筛查一直面临重大挑战。最新统计显示，中国每年新增40.8万例肠癌病例，而传统结肠镜检查高度依赖医生经验，容易造成漏诊。更棘手的是，息肉与周围组织常呈现高度相似的纹理和颜色特征——有些微小息肉直径不足5毫米却依赖浅层特征识别，而深层卷积网络往往忽略这些关键信息；另一些息肉则因与背景黏膜的对比度差异小于10%，导致现有算法分割准确率骤降30%以上。

针对这一临床痛点，山东大学的研究团队在《Medical Engineering & Physics》发表创新成果。他们开发的MANet网络突破性地融合混合注意力与自注意力机制：通过浅层特征提取模块(SFEM)强化微小息肉表征能力，利用伪装识别模块(CIM)破解背景混淆难题，最终在Kvasir等5个数据集上实现平均Dice系数0.892的优异性能，特别对<2cm息肉的分割精度提升15.6%。

关键技术包括：1)采用Res2Net50作为骨干网络进行五层特征提取；2)在第二层嵌入SFEM模块捕获浅层特征；3)在深层特征中部署CIM模块增强目标-背景区分度；4)通过多级上采样融合深浅特征。实验使用1450张训练图像和798张测试图像，涵盖ETIS、CVC-ClinicDB等多样化数据源。

研究结果显示：在CVC-ColonDB数据集上，MANet的mIoU达到81.3%，显著优于传统U-Net的72.5%。其中SFEM模块使小息肉召回率提升19.2%，CIM模块将低对比度区域的识别错误率降低28%。消融实验证实，双模块协同作用可使分割边界清晰度提高37%。

该研究开创性地将注意力机制引入息肉分割领域，其模块化设计为其他医学图像分割任务提供新范式。团队指出，未来可结合实时内窥镜系统实现术中辅助诊断，这对实现《"健康中国2030"规划纲要》提出的癌症5年生存率提升目标具有重要临床价值。值得注意的是，该方法在血管型息肉分割中仍存在8.7%的假阳性率，后续将通过引入光学相干断层扫描(OCT)特征进行优化。