本研究提出了一种新型的受控生成模型CCIS-DIFF，旨在解决结肠镜图像合成中的数据多样性不足和生成控制问题。该模型通过模糊掩码加权和文本感知注意机制，生成高质量且临床一致的结肠镜图像，支持后续的分割和诊断任务。

本文介绍了一种名为“DUCK-Net”的监督卷积神经网络架构，能够从少量的医学图像中学习和概括，以进行准确的分割任务。该模型利用编码器-解码器结构、残差下采样机制和自定义卷积块来处理图像信息。通过数据增强技术提高模型性能。在结肠镜图像的息肉分割方面展示了该方法的能力。在多个数据集上评估结果表明，该方法在Dice系数、Jaccard指数、精确度、召回率和准确度等方面取得了最先进的结果。代码已在GitHub上公开。