CL-Polyp：基于对比学习的多肠息肉精准分割网络
计算机视觉与模式识别
2025-07-23 v2
摘要
准确地从结肠镜图像中对息肉进行分割是早期诊断和治疗结直肠癌的关键。目前大多数基于深度学习的息肉分割方法采用编码器-解码器结构，部分方法则利用多任务框架，集成分类等辅助任务以提高分割精度。然而，这些方法往往需要更多的标记数据，并且依赖于任务相似性，可能限制其通用性。为此，我们提出了CL-Polyp——一种基于对比学习的息肉分割网络。该方法通过对比息肉图像中的正负样本对，增强编码器对判别性特征的提取。这种自监督策略无需额外标注即可提升视觉表征。我们还引入了两个高效轻量模块：用于改进多尺度特征融合的修改型空洞空域池化 (MASPP) 模块，以及用于合并低层特征和上采样特征以实现边界重建的通道拼接与元素相加 (CA) 模块。 在Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB、CVC-300和ETIS等五个基准数据集上的大量实验表明，CL-Polyp consistently 超过当前最先进的方法。具体而言，在Kvasir-SEG和CVC-ClinicDB数据集上，分别将IoU指标提高了0.011和0.020，证明了其在临床息肉分割中的有效性。
引用
@article{arxiv.2507.07154,
title = {CL-Polyp: A Contrastive Learning-Enhanced Network for Accurate Polyp Segmentation},
author = {Desheng Li and Chaoliang Liu and Zhiyong Xiao},
journal= {arXiv preprint arXiv:2507.07154},
year = {2025}
}