Искусственный интеллект и машинное обучение

Научная статья

Интеграция многомасштабных признаков и механизмов внимания для сегментации колоректальных опухолей на компьютерных томограммах

Юйцянь Ван¹, Сергей Владимирович Аксёнов²

1,2	Школа информационных технологий и робототехники, Томский политехнический университет, Томск, Россия
2	Томский государственный университет систем управления и радиоэлектроники, Томск, Россия
1	wangyuqian3333@gmail.com

Аннотация. В последние годы технологии глубокого обучения получили широкое применение в области анализа медицинских изображений, демонстрируя выдающиеся результаты, особенно в задачах сегментации.

В связи с проблемой потери семантической информации на этапе извлечения признаков в U‑образных сетях, что ограничивает точность сегментации опухолей прямой кишки, в данной работе на основе архитектуры U‑Net предложена новая модель сегментации, получившая название MGA‑UNet (Multi‑scale Ghost Attention U‑Net). Модель объединяет многомасштабное извлечение признаков, механизмы двойного (канального и пространственного) внимания и блоки управления вниманием (Attention Gate) в пропускных соединениях. Основные улучшения заключаются в следующем:

Во‑первых, на этапе кодирования используется усовершенствованный модуль Ghost (интегрированный с RFB) для извлечения и слияния признаков на различных масштабах.

Во‑вторых, в путь кодирования внедрён модуль внимания CBAM для усиления отклика сети на малоразмерные целевые объекты.

В‑третьих, в пропускные соединения встроены блоки управления вниманием для подавления нерелевантных фоновых областей и выделения характеристик опухоли.

Результаты тестирования на наборе КТ‑данных колоректального рака показали высокую эффективность предложенной модели. По сравнению с классическими моделями U‑Net, GhostNet, а также современными архитектурами Mamba‑UNet и U‑SAM, предложенная модель обеспечивает более точную локализацию границ опухоли прямой кишки и демонстрирует превосходное качество сегментации. Эффективность и стабильность каждого модуля подтверждены в ходе абляционных исследований и анализа чувствительности гиперпараметров. (Связанные тексты статьи на английском и на русском языках).

Ключевые слова: U‑Net, механизм внимания, пропускные соединения, сегментация изображений, MGA‑UNet

Благодарности: Работа выполнена при поддержке Китайского стипендиального совета (CSC) (грант № 202008410491).

Для цитирования: Ван Ю., Аксёнов С. В. Интеграция многомасштабных признаков и механизмов внимания для сегментации колоректальных опухолей на компьютерных томограммах // Программные системы: теория и приложения. 2026. Т. 17. № 2. С. 147–190. (Англ., Рус.). https://psta.psiras.ru/2026/2_147-190.

Полный текст двуязычной статьи (PDF): https://psta.psiras.ru/read/psta2026_2_147-190.pdf (клик по флажку в верхнем колонитуле переключит язык страницы).

Русскоязычная часть оригинальной двуязычной статьи (PDF): https://psta.psiras.ru/read/psta2026_2_147-190-ru.pdf.

Статья поступила в редакцию 19.04.2026; одобрена после рецензирования 28.04.2026; принята к публикации 29.05.2026; опубликована онлайн 20.06.2026.