融合频谱Transformer与三重注意力的CT影像分割新方法及其在病灶精准勾勒中的应用

《International Journal of Imaging Systems and Technology》：A Novel Network With Spectrum Transformer and Triplet Attention for CT Image Segmentation

本研究针对CT影像分割中存在的类别不平衡、病灶边界模糊及形态多变等挑战，提出了一种融合频谱Transformer模块（STB）与三重注意力模块（TAM）的创新网络。通过并行混合融合模块（PHFM）整合全局局部特征，利用快速傅里叶变换（FFT）优化频域权重学习。在COVID-19-Seg和Mosmed数据集上的实验表明，该模型在DSC、mIoU、SEN、PRE等指标上均取得显著提升，最高改善达2.28%，展现了其在医学图像精准分割中的突出价值。

　　

基于深度学习（deep learning）的方法近年来在计算机断层扫描（Computed Tomography, CT）图像分割领域取得重大进展。然而，由于缺乏统一的大规模数据集、分割图像类别不平衡、感染区域与健康组织边界模糊，以及病灶尺寸和形态的多样性，现有方法在进一步提升医学应用中的分割精度方面仍面临挑战。

为此，本研究提出一种融合频谱变换器（spectrum Transformer）与三重注意力（triplet attention）的新型网络。通过并行混合融合模块（Parallel Hybrid Fusion Module, PHFM）将计算的频谱变换器模块与三重注意力模块（Triplet Attention Module, TAM）进行并联融合，从而从序列特征和跨维度特征中提取全局与局部上下文信息。新设计的频谱变换器块（Spectrum Transformer Block, STB）利用快速傅里叶变换（Fast Fourier Transform, FFT）在频谱空间中学习各频率分量的权重。

在COVID-19-Seg和Mosmed数据集上的大量对比实验表明，该网络在CT图像分割任务中具有优于多数现有方法的精度。具体而言，该模型在DSC（Dice Similarity Coefficient）指标上分别提升1.29%和2.28%，在mIoU（mean Intersection over Union）指标上提升1.15%和1.35%。灵敏度（Sensitivity, SEN）指标分别提高1.45%和1.48%，精确度（Precision, PRE）同样达到最佳结果，彰显其在医学图像精准分割中的显著优势。特异度（Specificity, SPE）在两组数据中也表现出色。消融实验进一步验证了STB和TAM模块对分割性能的显著提升作用。