计算机工程

作者：逯暄, 景路琪, 彭甫镕

单位：1. 山西大学物理电子工程学院，山西 太原 0300062. 山西大学大数据科学与产业研究院，山西 太原 030006

关键词：息肉分割,增量学习,迁移学习,少样本学习,灾难性遗忘

基金：国家自然科学基金(62276162); 山西省基础研究计划(202203021222016)

结直肠内窥镜图像在设备之间的特征分布不同，导致训练模型在新设备上的分割性能降低。为缓解模型对新设备的适应性问题，提出一种基于增量学习的微调方法，以及一种改进的结直肠息肉分割网络CPSegNet。增量学习方法包含预训练和新设备微调2个阶段，预训练使用旧设备的数据对息肉分割网络进行充分训练，微调阶段同时使用新旧设备样本进行训练，并通过采样率和正则化损失函数防止出现灾难性遗忘现象。CPSegNet采用MiT的预训练模型作为骨干网络，多层感知机(MLP)作为解码模块，不确定区域注意力(URA)作为细化模块，对边界模糊区域进行优化。为了验证学习策略对新设备的适应能力，采用Kvasir-SEG、CVC-ClinicDB、CVC-300、CVC-ColonDB、Kvasir-Sessile和ETIS-LaribPolypDB共6个数据集进行实验，其中前2个数据集为训练集，其余4个为新设备的模拟数据。以Dice相似系数和交并比(IoU)作为评价指标。实验结果表明，在无增量学习情况下CPSegNet在新设备上的性能优于主流的算法，以Kvasir-SEG作为源域数据集，将较难分割的ETIS-LaribPolypDB作为目标域数据集时，与ColonFormer算法相比的Dice相似系数提升3百分点，以CVC-ClinicDB作为源域数据集时，提升了6百分点，使用增量学习后CPSegNet和主流算法都能在新设备上获得性能提升，同时保持在旧设备上的分割精度。

来源：2025年第7期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第7期