대장내시경 영상에서 폴립의 크기가 다양하고 형태가 복잡하며 폴립과 점막 경계가 명확하지 않아 분할 정확도가 낮은 문제를 해결하기 위해, 결장 폴립 분할 정확도를 향상시키기 위한 점진적 CNN-Transformer 의미 보상 폴립 분할 네트워크가 제안되었다. CNN 인코더에서 추출한 국부 특성과 Transformer 인코더에서 추출한 전역 특성을 보다 잘 활용하기 위해, 공간 및 채널 두 차원에서 CNN과 Transformer 인코더의 특성을 적응적으로 융합하는 동일 계층 특성 상호작용 결합 모듈이 설계되었다; 이어서 디코딩 과정에서 업샘플링으로 인한 의미 손실 문제를 해결하기 위해 Query 기반 의미 보상 모듈이 설계되어, 학습 가능한 디스크립터 집합을 통해 점진적으로 이미지 의미를 통합하고 분배하여 네트워크의 특징 판별 능력을 효과적으로 향상시켰다; 실험 결과 제안된 네트워크는 공개된 CVC-ClinicDB, CVC-300, Kvasir, CVC-ColonDB 데이터셋에서 각각 mDice 94.23%, 90.36%, 92.93%, 80.26% 및 mIoU 89.87%, 83.75%, 88.21%, 72.09%를 달성하였다. 기존 분할 네트워크와 비교하여 본 네트워크는 폴립 분할의 유효성을 높이는 동시에 일반화 능력을 보장한다.

폴립 분할;합성곱신경망;Transformer;특성 상호작용;의미 보상