MBT-Polyp：基于多分支记忆增强Transformer的结直肠息肉分割新方法及其在早期癌症诊断中的应用

　　本文提出了一种创新的多分支记忆增强Transformer架构（MBT-Polyp），通过动态焦点注意力（DFA）、高层记忆注意力（HMAM）和多视角通道记忆注意力（MCMAM）模块，有效解决了结直肠息肉分割中小目标检测与模糊边界划分的难题。该研究在多个权威数据集上实现了最高0.943的Dice分数，为计算机辅助诊断（CAD）系统提供了重要技术支撑。

　　

亮点

• 我们提出MBT-Polyp，一种新颖的多分支记忆增强Transformer框架，通过专门设计的协同多分支学习范式，系统性地解决小息肉和模糊边缘分割的关键挑战。

• 我们引入MemoryFormer——基于Transformer的语义分割网络，集成独特的记忆注意力机制（HMAM和MCMAM），有效捕获并融合多尺度特征，显著增强全局上下文保存和局部细节表征能力。

• 我们设计了创新的动态焦点注意力模块（DFA），通过低秩分解优化参数，显著增强空间特征捕获能力，尤其针对小息肉检测场景。

• 我们开发了小息肉融合策略（SPFS）和边缘校正策略（ECS），能够鲁棒地融合多分支输出，有效缓解过分割/欠分割现象，为挑战性场景生成优质分割掩膜。

MemoryFormer架构

图1展示了所提出用于息肉分割的MemoryFormer模型架构。该模型采用基于Transformer的U型结构，包含收缩路径、扩展路径以及两个关键模块：高层记忆注意力模块（HMAM）和多视角通道记忆注意力模块（MCMAM）。这些模块专门用于增强跳跃连接并优化网络中的特征表征能力。此外，在解码路径中我们引入了动态焦点注意力模块（DFA），通过空间细节增强和低秩分解策略，显著提升小息肉区域的检测灵敏度。

实验分析

我们通过大量实验对提出方法进行全面评估，包括与最先进方法的性能对比、关键组件的消融研究，以及模型局限性和计算效率分析。

结论

本文提出的MBT-Polyp创新性地采用多分支融合架构提升息肉分割性能。我们首次实现三大关键组件的独立建模——包含真实标签的图像、边缘标签和小息肉标签，并通过模型输出融合生成最终分割结果。同时开发的Transformer架构MemoryFormer模型，通过引入两类记忆注意力模块有效增强了局部信息表征能力。