生成对抗DacFormer网络在MRI脑肿瘤分割中的创新应用：全局与局部特征平衡的新策略

本研究针对现有U-Net架构在脑肿瘤分割中全局依赖建模不足的问题，创新性地提出生成对抗Dilated Attention Convolutional Transformer（GDacFormer）网络。通过整合对抗学习与改进的DacFormer模块（含多尺度扩张注意力和下一卷积块），在BraTS2019-2021数据集上实现WT/TC/ET分割Dice值达90.9%/84.6%/77.9%，显著提升全局与局部特征平衡能力，为临床精准诊断提供新工具。

　　

脑肿瘤作为颅内异常细胞增殖的病变，其精准分割对临床诊疗至关重要。尽管基于U-Net的卷积神经网络（CNN）已成为医学图像分割的主流方法，但这类架构存在根本性局限：擅长捕捉局部特征却难以建模长程依赖关系。与此同时，纯Transformer架构虽能建立全局关联，却会丢失关键的局部细节信息。更棘手的是，医学图像标注数据稀缺的问题进一步制约了模型性能的提升。面对这些挑战，大连民族大学等机构的研究团队在《Scientific Reports》发表创新成果，提出生成对抗Dilated Attention卷积Transformer网络（GDacFormer），为脑肿瘤分割领域带来突破性进展。

研究团队采用生成对抗网络（GAN）框架构建分割系统，核心创新在于生成器中嵌入的新型DacFormer模块。关键技术包括：1）基于BraTS2019-2021多模态MRI数据集（含T1/T1ce/T2/Flair图像）的5折交叉验证；2）级联3D U-Net结构实现从粗到细的分割流程；3）多尺度扩张注意力（MSDA）模块通过可变膨胀率捕获跨窗口语义关联；4）下一卷积块（NCB）通过多头卷积注意力增强局部特征提取；5）混合损失函数（含对抗损失L_adv、Dice损失L_Dice和交叉熵损失L_CE）优化模型性能。

GDacFormer架构设计
系统采用生成器-判别器对抗框架。生成器采用级联U-Net结构，首阶段处理128³尺寸输入生成粗分割结果，第二阶段进行精细优化。创新性地在瓶颈层嵌入3个DacFormer层，通过MSDA模块建立多尺度长程依赖（窗口尺寸w=7），配合NCB模块的局部特征增强，实现全局与局部信息的动态平衡。

DacFormer模块创新
该模块包含两大核心组件：MSDA通过多头扩张注意力（不同头采用不同膨胀率r_i）在多个特征子空间建模长程依赖，显著降低背景区域的计算冗余；NCB则通过多头卷积注意力（MHCA）机制，在保留卷积局部性优势的同时，通过并行表征子空间的信息交互增强特征多样性。数学表达上，MSDA遵循公式X_MSDA=Linear(Concat[h₁,...,h_n])，其中h_i=DA(Q_i,K_i,V_i,r_i)。

实验验证
在BraTS2020上的消融实验显示，引入对抗学习的GU-Net比基线U-Net平均DSC提升0.9%，而添加MSDA后进一步提升至84.8%。完整GDacFormer（含NCB）最终达到85.3%的平均DSC和11.76mm的HD95，p值<0.05验证其显著性优势。可视化分析表明，GDacFormer在坏死区域（红色）和小片状水肿（绿色）的分割精度显著优于对比方法，特别是在冠状面和矢状面视图中的边界一致性表现突出。

跨数据集性能
在BraTS2019验证集上，GDacFormer以84.5%平均DSC超越TransBTS（83.6%）等Transformer变体；在BraTS2020上以85.3%的DSC领先MedNeXt（84.8%）；在BraTS2021训练集上达到91.2%的DSC，其中WT和TC分割分别创下93.7%和93.5%的优异指标。值得注意的是，虽然MedNeXt在该数据集平均DSC略高（91.4%），但GDacFormer在关键肿瘤亚区的分割指标更具优势。

这项研究通过巧妙融合对抗学习与改进的Transformer架构，成功解决了脑肿瘤分割中全局与局部特征失衡的难题。DacFormer模块的创新设计——MSDA捕获多尺度语义依赖，NCB强化局部特征提取——为医学图像分割提供了新的架构范式。尽管在部分数据集指标上仍有提升空间（如BraTS2019平均DSC84.5%），但GDacFormer展现的跨模态、跨序列稳健性，以及对小肿瘤区域的精准分割能力，使其成为临床辅助诊断的有力工具。未来研究可探索该框架在其他医学图像分割任务（如多器官分割）中的迁移能力，以及结合半监督学习缓解数据标注瓶颈，进一步推动精准医疗的发展。