逐步特征融合：局部引导全局

结肠镜检查目前是检测结肠息肉最高效且被广泛认可的技术，对于结直肠癌的早期筛查与预防具有重要意义。然而，由于结肠息肉在大小上存在差异，形态特征复杂，且其与黏膜组织之间的边界往往不清晰，因此实现息肉的精确分割仍面临挑战。深度学习在息肉分割任务中已展现出优异性能，成为实现高精度分割的主流方法。然而，受限于息肉图像的结构特性以及息肉形态的多样性，现有深度学习模型容易在当前数据集上出现过拟合现象，导致模型在面对未见过的结肠镜图像时泛化能力不足。为解决这一问题，本文提出一种新型的医学图像分割前沿模型——SSFormer。该模型采用金字塔式Transformer编码器，以提升模型的泛化能力。具体而言，我们设计的渐进式局部解码器（Progressive Locality Decoder）可与金字塔Transformer主干网络有效协同，强化局部特征表达，同时抑制注意力机制的过度分散。实验结果表明，SSFormer在模型学习能力与泛化性能评估方面均达到了当前最优水平。