摘要
结直肠癌是全球范围内导致癌症相关死亡的主要原因之一。在早期阶段及时发现并切除息肉，有助于降低死亡率，防止癌细胞向邻近器官扩散。早期息肉的检测可挽救全球数百万患者的生命，并显著减轻临床负担。然而，不同内镜医师之间的息肉检出率存在显著差异。尽管已有大量基于深度学习的方法被提出，但多数研究仅侧重于提升检测精度。本文提出一种新型网络架构——残差上采样网络（Residual Upsampling Network, RUPNet），用于结肠息肉分割，具备实时处理能力，并实现高召回率与高精度。所提出的RUPNet架构为编码器-解码器结构，包含三个编码器、三个解码器模块，以及在网络末端附加的若干上采样模块。在输入图像尺寸为 $512 \times 512$ 的条件下，该方法实现了高达每秒152.60帧的实时运行速度，同时达到平均Dice系数0.7658、平均交并比（mIoU）0.6553、敏感性（Sensitivity）0.8049、精确率（Precision）0.7995以及F2分数0.9361的优异性能。实验结果表明，RUPNet能够在保持高准确率的同时提供实时反馈，展现出作为早期息肉检测优良基准的巨大潜力。