TransRUPNet：用于改进息肉分割的Transformer残差上采样网络

结直肠癌是全球最常见的癌症病因之一。通过早期检测切除癌前息肉对于防止其进展为结肠癌至关重要。我们开发了一种基于深度学习的先进架构——基于Transformer的残差上采样网络（TransRUPNet），用于自动且实时的息肉分割。所提出的架构TransRUPNet是一个编码器-解码器网络，由三个编码器和解码器块组成，并在网络末端附加了上采样块。在图像尺寸为$256\times256$的情况下，所提方法在分布外息肉数据集上以47.07帧每秒的优异实时运行速度，取得了0.7786的平均Dice系数得分和0.7210的平均交并比。在公开可用的PolypGen数据集上的结果表明，TransRUPNet能够在保持对分布内数据集高精度的同时提供实时反馈。此外，我们证明了所提方法的泛化性，其相比现有方法在分布外数据集上的性能有显著提升。我们的网络源代码可在 https://github.com/DebeshJha/TransRUPNet 获取。