TGANet：用于改进息肉分割的文本引导注意力网络

结肠镜检查是金标准程序，但高度依赖操作者。作为癌前前驱病变的自动化息肉分割，可最小化漏诊率并在早期及时诊治结肠癌。尽管已有针对该任务开发的深度学习方法，息肉大小的可变性会影响模型训练，从而使其受限于训练数据集中多数样本的尺寸属性，可能对不同尺寸的息肉给出次优结果。在本工作中，我们在训练期间以文本注意力的形式利用与尺寸相关及与息肉数量相关的特征。我们引入一个辅助分类任务来加权基于文本的嵌入，使网络能够学习额外的特征表示，从而明显适应不同尺寸的息肉并适应多息肉情况。我们的实验结果表明，与最先进的分割方法相比，这些增加的文本嵌入提升了模型的整体性能。我们探索了四个不同的数据集，并给出了针对尺寸特定改进的见解。我们提出的文本引导注意力网络（TGANet）能很好地泛化到不同数据集中的可变尺寸息肉。