具有边界感知解码器的自适应核融合网络，用于通用性结直肠息肉分割

《Expert Systems with Applications》：Adaptive kernel fusion network with a boundary-aware decoder for generalizable colorectal polyp segmentation

　　

Syeda Mohtadia Zahra Naqvi | Rizwan Ali Naqvi | Muhammad Zubair Islam | Zain Ul Abidin | Zoraiz Elya | Daesik Jeong | Yeonhyeon Gu | Seung-Won Lee

摘要

准确且具有泛化能力的息肉分割是计算机辅助结直肠癌筛查的关键前提；然而，由于病变体积小或对比度低、外观变化大以及不同临床中心之间的差异，这一任务仍然具有挑战性。为了解决这些问题，我们提出了自适应核融合网络（AKF-Net），该网络配备了一个能够识别边界的解码器，以实现鲁棒的息肉分割。AKF-Net采用金字塔结构编码器来捕获多尺度特征，并在浅层、中层和深层特征层面集成三个互补的上下文建模模块。上下文感知高频细化（CAHFR）模块增强了细粒度的边缘和纹理细节；多核动态路由块（MK-DRB）能够自适应选择感受野以适应不同大小和形状的息肉；全局上下文（TGC）模块提高了对光照和对比度变化的鲁棒性。此外，区域混合边界注意力（RHBA）机制被集成到跨尺度解码器中，以明确建模边界线索并减少分割歧义。在五个公开的结肠镜检查基准数据集上的广泛实验表明，AKF-Net在特定数据集上的性能非常出色。在单次运行评估中，AKF-Net在CVC-ClinicDB和Kvasir-SEG数据集上的Dice分数分别为94.0%和92.3%；在跨数据集评估中，其在BKAI-IGH、CVC-ColonDB和ETIS数据集上的Dice分数分别为84.5%、81.5%和81.7%。在皮肤病变、足部溃疡和乳腺超声病变分割方面的额外评估表明，AKF-Net也适用于非结肠镜检查医学图像分割任务，但仍需要在更大、更多样化的数据集上进行更广泛的验证。AKF-Net通过结合多尺度上下文和边界感知融合技术，提升了像素级别的分割精度，从而在具有挑战性的息肉数据集上实现了鲁棒的性能。