DYNAFormer：基于动态锚定掩码的Transformer模型在医学影像中提升息肉分割精度的创新研究

这篇研究论文提出了DYNAFormer模型，通过动态锚定掩码（anchor mask）机制结合交叉注意力（cross-attention）和查询去噪（query denoising），显著提升了结直肠息肉（sessile/pedunculated polyps）的实例分割精度。作者团队同步发布PolypDB_INS数据集（4403张图像/4918个标注），为医学影像分割领域提供了重要基准。

　　

Highlight

本研究通过DYNAFormer模型和PolypDB_INS数据集，解决了结直肠息肉实例分割的关键挑战：

• •

  PolypDB_INS数据集：整合5个现有基准数据集（Kvasir-SEG/CVC-ClinicDB等），包含4403张内窥镜图像，首次系统标注带蒂型（pedunculated）和无蒂型（sessile）息肉形态差异。

• •

  锚定掩码引导机制：突破传统边界框（bounding box）限制，将位置查询（positional query）动态更新为像素级锚定掩码，通过解码器层逐步优化复杂息肉结构的特征提取。

Discussion

与MaskDINO等模型对比显示，DYNAFormer的掩码驱动机制能更精准捕捉无蒂型息肉的扁平化特征（低对比度/边界模糊），其动态查询更新使平均分割精度（mAP）提升3.2%。消融实验验证了交叉注意力层对微小息肉（<5mm）的检测效能。

Conclusions

该研究为结直肠癌早期诊断提供了新型通用分割框架，其锚定掩码设计可扩展至其他医学影像场景（如肿瘤病灶分割）。开源代码与数据集将助力相关领域研究。

（注：翻译严格遵循原文学术表述，采用"带蒂型/无蒂型"等标准医学术语，技术概念如mAP/交叉注意力等保留英文缩写并自然融入文本）