用于缓解结直肠息肉分割中浅层信息丢失的回顾性细节重建网络

《Scientific Reports》：Retrospective detail reconstruction network for mitigating shallow information loss in colorectal polyp segmentation

　　

摘要

现有的医学息肉分割网络主要依赖层次化特征表示来提升边界识别精度。然而，我们发现了一个关键但尚未得到充分研究的问题的存在，即“浅层信息丢失”现象：在前向传播过程中，低层级结构会不可逆地抑制那些对比度低但语义上至关重要的边缘特征，而反向传播时的弱梯度又无法弥补这种早期出现的损失。在具有分形结构特征的息肉中，这一问题尤为严重，因为其跨尺度自相似性会随着空间分辨率的变化而逐渐破坏，进而降低分割效果。此外，大多数现有方法试图一步完成从像素到语义的直接映射，缺乏逐步的特征引导，导致整体语义理解能力不足。为解决这些缺陷，我们提出了RDNet，这是一种由反向细节重建模块和级联协同优化模块构成的回溯式细节网络。反向细节重建模块以分层方式将具有区分度的语义信息注入网络，从而恢复在前向传播中被抑制的弱响应区域；而跨层特征校准则有助于精准激活那些浅层的结构细节。级联协同优化模块进一步分离边界与区域特征，并通过条件门控机制有选择地激活互补特征，以此提升结构一致性和语义区分能力。在五个公开基准数据集上的大量实验表明，RDNet的表现始终优于现有最先进方法，尤其是在具有分形特征的多息肉分割场景中表现尤为出色，证明了其在复杂临床环境中的稳健性与有效性。