摘要
结肠镜检查是预防结直肠癌的有效手段，能够有效检测息肉。现有研究通过在卷积神经网络（CNN）中融合低层边界信息与高层区域信息，实现了对结肠镜图像中息肉的精确分割，取得了令人满意的检测性能。然而，由于不同层级特征表示在融合过程中存在分布差异，多层级信息聚合在实际应用中对息肉分割的提升有限。为解决这一问题，先前方法尝试采用互补的低层与高层特征表示。与现有方法不同，本文聚焦于互补信息的传播机制，使低层显式边界信息与高层抽象表示之间形成互补，从而有效缓解特征分布不一致的问题。为此，本文提出COMMA（Complementary Multi-level Aggregation），通过传播互补的多层级信息以减小特征分布差异。COMMA采用多解码器架构，包含互补掩码模块（Complementary Masking Module, CMM）和边界传播模块（Boundary Propagation Module, BPM）。CMM利用高层抽象表示对低层边界噪声进行掩码处理，并在高低层均利用掩码后的信息，从而增强边界表征的鲁棒性。BPM则融合最低层与最高层的特征表示，提取显式的边界信息，并将该边界信息反向传播至CMM，以进一步优化息肉检测性能。相较于以往的CMM，COMMA中的CMM能够基于边界与互补特征表示实现更精细的息肉区分。此外，本文设计了一种混合损失函数，以缓解息肉分割任务中常见的类别不平衡问题以及标注噪声的影响。为全面评估COMMA的性能，我们在五个基准数据集上采用五种评价指标进行了实验。实验结果表明，所提出的网络在所有数据集上均优于现有最先进方法。具体而言，与当前最优方法相比，COMMA在所有数据集上的平均mIoU（平均交并比）提升了0.043，显著提高了息肉分割的准确性与鲁棒性。