基于深度学习的结直肠息肉语义分割：理论框架与模型谱系梳理（Advancement in semantic segmentation techniques）

参考文献：Manan 等人在 Artificial Intelligence Review 发表的综述论文《Advancement in semantic segmentation techniques: a comprehensive review for semantic segmentation of colorectal polyps using deep learning》。

---

1 引言：从结直肠息肉到像素级理解

结直肠癌是全球范围内发病率和死亡率都居高不下的一类恶性肿瘤，而绝大多数结直肠癌都经历了“良性息肉 → 腺瘤 → 癌”的演化过程。也就是说，只要在息肉阶段完成准确发现与切除，就有可能把一场致命的癌变，提前终止在最早的形态学异常上。因此，如何在内镜图像中稳定、可靠地“看清楚”息肉轮廓，是临床和计算机视觉共同面对的关键问题。

在算法层面，这个任务被形式化为语义分割：对内镜图像中的每一个像素，判定它是“息肉”还是“背景”。语义分割和目标检测不同，后者更像在图像里画框，而前者要对每个像素做二分类甚至多分类，更强调形状、边界与结构。

过去的传统图像处理方法往往依赖手工设计特征，例如边缘检测、颜色阈值、纹理描述子等。这类方法在理想环境下可以工作，但一旦遇到内镜图像中常见的光照不均、粘液遮挡、运动模糊、雾化、光斑、息肉大小变化剧烈等问题，很容易分割失败。随着深度学习的发展，特别是卷积神经网络（CNN）和 Transformer 在视觉领域的崛起，语义分割问题逐渐被“统一”在端到端的深度神经网络框架之下。

Manan 等人的这篇综述，系统梳理了 2018–2024 年间超过 110