结肠镜检查广泛应用于结直肠癌的早期筛查和诊疗,但仅靠人工判读结肠息肉漏检率较高,有研究统计可达25％.基于深度学习的计算机辅助技术有助于提高息肉检测率,但目前深度学习的主流分割网络U-Net存在着两个局限:一是编解码的输出特征图之间存在着语义鸿沟;二是U-Net的双层卷积单元无法学习多尺度信息;割裂地看待容易使模型陷入局部最优.提出一种基于同构化改进的U-Net网络,不仅能缓解编解码特征间的语义鸿沟,且具备提取多尺度特征的能力.首先,在U-Net编解码器和跳层路径中,引入同构单元IU构成同构网络I-Net,以减少编解码器之间的语义鸿沟;接着,结合密集连接和残差连接的优点,设计密集残差单元DRU以学习多尺度信息;最后,将同构网络的处理单元初始化为密集单元,构成基于密集残差单元的同构网络DRI-Net.使用包含612幅结直肠镜息肉图像的公开数据集CVC-ClinicDB,采用5折交叉验证评估所提出的模型,DRI-Net可得Dice系数为90.06％,交并比(IoU)为85.52％,与U-Net相比,Dice系数提升8.50％,IoU提升11.03％.此外,在国际ISIC2017皮肤镜挑战数据集上验证模型在其他模态数据的泛化性,2　000幅训练,600幅测试,获得的Dice系数为86.57％,IoU为79.20％,与ISIC　2017排行榜第一名的方法相比,Dice系数提升1.67％,IoU提升2.70％.实验表明,DRI-Net能有效解决U-Net存在的局限,且泛化性良好.