DDANet：自動ポリープセグメンテーションのためのデュアルデコーダー注意力ネットワーク

大腸内視鏡検査は、大腸ポリープの診断および検出におけるゴールドスタンダードである。ポリープの局在化と輪郭抽出は、治療戦略（例えば手術計画）や予後判断において重要な役割を果たす。ポリープのセグメンテーションは、臨床解析に必要な詳細な境界情報を提供する。畳み込みニューラルネットワーク（CNN）の導入により、大腸内視鏡画像処理の性能は著しく向上している。しかし、ポリープはクラス内・クラス間の変異が大きく、ノイズの影響を受けやすいなどの課題を抱えている。一方、ポリープの評価に際しての手動ラベリングは専門家による時間的負担が大きく、人為的誤差（例えば病変の見落とし）のリスクも高い。したがって、自動的かつ高精度・高速なセグメンテーション手法の導入は、病変境界の正確な描出を可能にし、見落とし率の低減にも寄与する。Endotectチャレンジは、公開されているHyperkvasirデータセットを用いた学習と、別途用意された未観測データセットでのテストを通じて、コンピュータビジョン手法のベンチマークを実現する機会を提供している。本研究では、二重デコーダー・アテンションネットワークを基盤とした新規アーキテクチャ「DDANet」を提案する。実験の結果、Kvasir-SEGデータセットで学習し、未観測データセットでテストした場合、Dice係数が0.7874、mIoUが0.7010、再現率（Recall）が0.7987、精度（Precision）が0.8577を達成した。これらの結果は、本モデルの優れた一般化能力を示している。