文章导读

针对内镜息肉图像中小病灶、低对比、边界模糊及复杂背景干扰等问题，作者提出轻量双分支网络GSFDoubleU-Net。该方法以L-ASPP增强多尺度表征，以轻量第二分支补充上下文和细粒度信息，并通过门控自注意力特征融合（GSFF）实现跨分支自适应交互。模型在两个公开数据集及独立内部胃息肉数据集上均表现出较好的区域重叠与边界定位能力，为兼顾分割精度、边界质量和计算开销提供了新的设计思路。

正文导读

01 研究背景：复杂内镜场景下，胃息肉为何仍难以精准分割？

胃息肉自动分割的目标，不只是判断病灶“有没有”，更要尽可能稳定、准确地勾勒病灶边界，为病灶大小评估、定位和后续诊疗提供量化依据。然而，真实内镜图像中常同时存在小病灶、低对比、边界模糊、黏膜褶皱、镜面反光和残留物干扰等问题，使模型容易出现漏分、误分或轮廓不完整。如何在提升分割精度的同时兼顾边界质量和模型复杂度，是该任务中的关键挑战。

02 方法思路：双分支协同，兼顾多尺度表征与轻量化建模

为解决上述问题，作者提出GSFDoubleU-Net。该网络由两个功能互补的U形分支组成：第一分支以预训练VGG19为编码器，并引入轻量空洞空间金字塔池化（L-ASPP），用于扩大感受野、增强不同尺度病灶的上下文表征；跳跃连接中的坐标注意力进一步保留位置与方向信息。第二分支采用深度可分离卷积、多尺度空洞卷积和变形层，在控制额外计算开销的同时，进一步补充上下文信息与细粒度结构。

图1 GSFDoubleU-Net总体架构与信息流

03 核心创新：GSFF实现跨分支信息的自适应筛选与融合

论文的关键设计是门控自注意力特征融合模块（GSFF）。该模块将自注意力、通道注意力与门控机制结合起来：自注意力用于建模较远空间位置之间的依赖关系，通道注意力突出与分割任务更相关的特征，门控机制则进一步决定哪些信息应被保留、哪些背景响应需要抑制。由此，两条分支的特征不再只是简单相加或拼接，而是经过自适应筛选后再融合，以增强小病灶定位、纹理辨别和模糊边界恢复能力。

图2 GSFF模块：自注意力、通道注意力与门控机制协同完成跨分支特征融合

04 实验结果：公开数据集表现稳定，独立临床数据验证泛化能力

在两个公开数据集上，GSFDoubleU-Net均表现出较好的区域重叠和边界定位能力。其中，在CVC-ClinicDB上，Dice达到0.957、Precision达到0.970；在Kvasir-SEG上，Dice为0.949、mIoU为0.898。需要说明的是，模型并非在所有指标上都优于全部对比方法，部分数据集上的Recall或mIoU仍有其他方法取得更高结果。因此，本文更适合被理解为在区域重叠、误检抑制、边界定位和计算开销之间取得了较好的综合平衡。

更值得关注的是跨数据集验证。作者将仅在公开数据集上训练得到的模型，直接用于西安红会医院45例患者、105幅胃息肉图像的独立测试，内部数据未参与模型训练或参数优化。该模型取得Dice 0.857、mIoU 0.832，并获得较低的HD和MSD。虽然其在真实胃镜数据上的性能较公开数据集有所下降，但这也更真实地反映了设备、照明、病灶形态及标注差异带来的域偏移问题，并为后续开展多中心、跨设备验证提供了依据。

图3 独立内部临床数据集上的可视化比较

05 研究意义：从“分得准”进一步走向“更稳、更轻、更可推广”

从方法设计看，GSFDoubleU-Net将“多尺度局部表征—轻量上下文补偿—自适应跨分支融合”串联成较为清晰的技术链。消融实验表明，引入L-ASPP与轻量第二分支后，多项重叠指标得到改善；进一步加入GSFF后，区域完整性与轮廓恢复继续提升，说明各模块在整体框架中具有较好的互补性。

同时，研究也保留了必要的边界条件：内部临床数据来自单中心且样本量有限；部分对比方法缺少逐图输出，因此无法完成可靠的配对统计检验；当前验证对象仍为静态图像，尚未覆盖连续内镜视频、跨设备域适配和实时工作流。未来若能进一步开展多中心外部验证、保留逐图预测用于正式统计分析，并拓展到视频级时序一致性与实时分割，将更有助于评估模型的临床应用潜力。

作者与资助信息

西安邮电大学理学院杨文彬副教授为论文第一作者，西安邮电大学计算机学院硕士生常鑫为论文共同作者，西安交通大学附属红会医院王小娟副主任医师为论文通讯作者。研究团队围绕胃息肉内镜图像智能分割开展了模型构建、算法实现与临床数据验证等工作。该研究得到国家自然科学基金项目（12001425、12471464）和陕西省自然科学基础研究计划项目（2026JC-YBMS-0011）的资助。

论文信息

GSFDoubleU-Net: A Dual-Branch Architecture Incorporating Gated Self-Attention Fusion for Enhanced Gastric Polyp Image Segmentation

杨文彬, 常鑫, 王小娟*

International Journal of Imaging Systems and Technology

DOI:10.1002/ima.70432

原文链接：

https://onlinelibrary.wiley.com/doi/abs/10.1002/ima.70432

期刊简介

International Journal of Imaging Systems and Technology (IMA) 是一本跨学科影像期刊，为成像系统（包括成像物理与影像信息学）领域的思想与成果交流提供平台，发表人体与动物结构及功能成像的原创研究。期刊收录技术可靠、科学严谨的影像研究，包括相关算法、硬件与软件开发，以及新型诊断成像与分析方法及其在医学研究中的应用。

2025 JIF：3.0 ｜ CiteScore：6.3

扫码进入期刊主页

https://onlinelibrary.wiley.com/journal/10981098