锐化广义息肉分割的轻量级模型：来自基础模型的边界引导 蒸馏

自动息肉分割对于早期结直肠癌检测及其预防至关重要，但由于边界薄弱、外观变化大和注释数据有限，仍然具有挑战性。 U-Net、U-Net++ 和 PraNet 等轻量级分割模型为临床部署提供了实用的效率，但难以捕获准确描绘复杂息肉区域所需的丰富语义和结构线索。相比之下，大型视觉基础模型（VFM），包括 SAM、OneFormer、Mask2Former 和 DINOv2，表现出很强的泛化能力，但由于域不匹配、边界敏感性不足和计算成本高，迁移到息肉分割的效果很差。为了弥补这一差距，我们提出了 \textit{\textbf{LiteBounD}，一个 \underline{Li}gh\underline{t}w\underline{e}ight \underline{Boun}dary-guided \underline{D}istillation} 框架，该框架将互补的语义和结构先验从多个 VFM 转移到紧凑的分割主干中。 LiteBounD 引入了（i）双路径 蒸馏 机制，可解开语义和边界感知表示；（ii）频率感知对齐策略，分别监督低频全局语义和高频边界细节；（iii）边界感知解码器，将多尺度编码器特征与提取的语义丰富边界信息融合，以实现精确分割。对可见数据集（Kvasir-SEG、CVC-ClinicDB）和未见数据集（ColonDB、CVC-300、ETIS）进行的大量实验表明，LiteBounD 始终大幅优于其轻量级基线，并实现了与最先进方法竞争的性能，同时保持了实时临床使用所需的效率。我们的代码可在 https://github.com/lostinrepo/LiteBounD 获取。