TransResU-Net：基于Transformer的ResU-Net用于实时结肠镜息肉分割

结直肠癌（Colorectal Cancer, CRC）是全球范围内最常见的癌症之一，也是癌症相关死亡的主要原因。及时开展结肠癌筛查是实现早期发现的关键。目前，结肠镜检查是诊断结直肠癌的主要手段。然而，现有技术对息肉、腺瘤及高级别腺瘤的漏检率仍然较高。在癌前阶段实现息肉的早期识别，有助于显著降低结直肠癌的死亡率，并减轻其带来的经济负担。基于深度学习的计算机辅助诊断（Computer-Aided Diagnosis, CADx）系统有望帮助消化科医生识别那些可能被遗漏的息肉，从而提升息肉检出率。此外，CADx系统还可能成为一种具有成本效益的技术，有助于长期推进结直肠癌的预防工作。在本研究中，我们提出了一种基于深度学习的自动息肉分割架构，命名为Transformer ResU-Net（TransResU-Net）。该架构以ResNet-50作为主干网络，采用残差块结构，并融合了Transformer自注意力机制与空洞卷积（dilated convolution），充分发挥了局部特征提取与全局上下文建模的双重优势。在两个公开可用的息肉分割基准数据集上的实验结果表明，TransResU-Net在Dice评分方面表现优异，同时具备实时处理速度。基于其在各项性能指标上的出色表现，我们得出结论：TransResU-Net可作为构建实时息肉检测系统的重要基准，为结直肠癌的早期诊断、治疗与预防提供有力支持。本文提出的TransResU-Net源代码已公开，可通过以下链接获取：https://github.com/nikhilroxtomar/TransResUNet。