대장폴립 이미지 병변 영역의 크기 변화가 크고 경계가 모호하며 형태가 불규칙하고 정상 조직과의 대비가 낮아 경계 세부정보 손실 및 병변 영역 오분할 문제가 발생하는 것에 대해, 다중 스케일과 다중 차원을 아우르는 적응형 Transformer 분할 네트워크를 제안한다. 본 네트워크는 첫째, Transformer 인코더를 활용하여 입력 이미지의 전역 문맥 정보를 모델링하고 다중 스케일로 대장폴립 병변 영역을 분석한다. 둘째, 채널 주의 브리지와 공간 주의 브리지를 통해 채널 차원 중복을 줄이고 모델의 공간 인지 능력을 강화하여 배경 잡음을 억제한다. 셋째, 다중 스케일 밀집 병렬 디코딩 모듈을 사용하여 각 계층 간 스케일 간 특징 정보 사이의 의미적 공백을 메우고 다중 스케일 문맥 특징을 효과적으로 집계한다. 넷째, 경계 세부사항에 초점을 맞춘 다중 스케일 예측 모듈을 설계하여 학습 가능한 방식으로 네트워크가 경계 오분류를 수정하도록 유도한다. CVC-ClinicDB, Kvasir-SEG, CVC-ColonDB 및 ETIS 데이터셋에서 실험을 수행한 결과, Dice 유사도 계수는 각각 0.942, 0.932, 0.811 및 0.805이며, 평균 교차합 비율은 각각 0.896, 0.883, 0.731 및 0.729로 기존 방법보다 우수한 분할 성능을 보였다. 시뮬레이션 실험 결과 본 방법은 대장폴립 병변 영역의 오분할을 효과적으로 개선하며 높은 분할 정확도를 갖추어 대장폴립 진단에 새로운 창을 제공한다.

대장폴립;Transformer;다중 스케일 밀집 병렬 디코딩 모듈;다중 스케일 예측 모듈