MicroAUNet: Boundary-Enhanced Multi-scale Fusion with Knowledge Distillation for Colonoscopy Polyp Image Segmentation

早期且准确的结直肠息肉分割对于降低结直肠癌死亡率至关重要，这一问题已受到学术界和工业界的广泛关注。然而，当前基于深度学习的息肉分割模型要么在分割结果中产生模糊的息肉边界，影响临床决策；要么依赖复杂的网络结构，计算开销大，导致推理速度不足以满足实时结肠镜应用的需求。为解决这一问题，我们提出了MicroAUNet，一种轻量化的注意力机制分割网络，该网络结合了深度可分离空洞卷积与单路径、参数共享的通道-空间注意力模块，以增强多尺度边界特征。在此基础上，我们引入了一种渐进式两阶段知识蒸馏方案，将高容量教师模型中的语义和边界信息有效迁移至学生模型。在多个基准数据集上的大量实验表明，MicroAUNet在极低模型复杂度下仍达到了最先进的分割精度，证明其适用于实时临床息肉分割场景。代码已公开发布于 https://github.com/JeremyXSC/MicroAUNet。

结直肠息肉的早期精确分割对于降低结直肠癌死亡率至关重要。然而，现有的深度学习模型在息肉边缘分割上往往模糊不清，影响临床决策，或采用复杂网络结构导致计算成本高、推理速度慢，难以满足实时内镜应用的需求。这是一个持续受到关注但尚未充分解决的问题，尤其在轻量化与高精度兼顾方面仍存在挑战。

提出MicroAUNet，一种轻量级注意力分割网络，结合深度可分离空洞卷积与单路径参数共享的通道-空间注意力模块，增强多尺度边界特征表达。此外，设计了一种渐进式两阶段知识蒸馏方案，从高性能教师模型中迁移语义与边界信息，提升小模型性能。其创新在于在极低参数量下实现精准边界建模，并通过知识蒸馏进一步逼近大模型性能。

在多个标准数据集（如Kvasir-SEG、CVC-ClinicDB等）上进行了广泛实验，结果表明MicroAUNet在模型复杂度极低的情况下达到了最先进的分割精度。模型具备实时推理能力，适用于临床场景。代码已开源，项目地址为 https://github.com/JeremyXSC/MicroAUNet，具备良好的可复现性与应用潜力。未来可探索其在其他医学图像分割任务中的泛化能力，以及在移动端或嵌入式设备上的部署优化。

1. TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation 2. Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation 3. nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation 4. Attention U-Net: Learning Where to Look for the Pancreas 5. Fast-SCNN: Lightweight Semantic Segmentation Network for Real-time Applications