结肠镜检查是检测结直肠息肉的金标准。对息肉进行精确定位与边界勾画在临床治疗（如手术规划）和预后决策中具有至关重要的作用。息肉分割可为临床分析提供精确的边界信息。卷积神经网络（Convolutional Neural Networks, CNNs）已在结肠镜图像分析中显著提升了性能。然而，息肉通常面临诸多挑战，例如类内与类间差异大、图像噪声多等问题。传统的人工标注方法不仅耗时且依赖专家经验，还容易因人为疏忽导致漏诊。相比之下，一种自动化、高精度且快速的分割方法能够显著提升病灶边界的勾画质量，并降低漏诊率。Endotect挑战赛为计算机视觉方法的评估提供了契机：在公开可用的HyperKvasir数据集上进行训练，并在独立的未见测试集上进行性能验证。本文提出一种新型网络架构——“DDANet”（Dual Decoder Attention Network），基于双解码器注意力机制。实验结果表明，该模型在Kvasir-SEG数据集上训练并在未见数据集上测试时，取得了0.7874的Dice系数、0.7010的mIoU、0.7987的召回率和0.8577的精确率，充分验证了所提模型良好的泛化能力。