基于多线索整合nnUNet的股骨肿瘤形状感知分割新方法

《International Journal of Computer Assisted Radiology and Surgery》：Mci-nnunet: multi-cue integration in nnunet for shape-aware segmentation of the femoral bone tumors

本研究针对股骨肿瘤影像存在的高类内差异和低类间区分度难题，开发了融合逆向距离场（RDF）回归与肿瘤边缘检测的多线索整合（MCI）模块。通过注意力机制选择性聚合互补任务特征，MCI-nnUNet在75组多模态数据中实现Dice系数90.19±3.22%的精准分割，为肢体挽救手术提供可靠形态学依据。

　　

侵袭性恶性骨肿瘤骨肉瘤可导致患者剧烈疼痛和病理性骨折，肢体挽救手术作为股骨肿瘤首选治疗方案，需基于术前磁共振（MR）与计算机断层扫描（CT）影像精确勾勒肿瘤区域。然而肿瘤影像存在类内差异大、类间区分度低的特性，使得精准分割面临挑战。

研究人员提出新型即插即用多线索整合（Multi-Cue Integration, MCI）模块，通过注意力机制选择性聚合来自互补任务的特征，利用现有目标标签强化形状先验约束。设计两种互补任务：逆向距离场（Reverse Distance Field, RDF）回归与肿瘤边缘检测，以编码股骨肿瘤的几何特性。该模块被嵌入先进nnUNet框架的解码器层（称为MCI-nnUNet），实现形状感知的互补任务学习。

在包含75组配对CT与MR影像的内部数据集验证中，MCI-nnUNet获得90.19±3.22%的戴斯相似系数（Dice Similarity Coefficient）、82.28±5.23%的杰卡德指数（Jaccard Index）、1.56±0.72毫米的平均对称表面距离（Symmetric Surface Distance），以及5.12±3.26毫米的95%豪斯多夫距离（95% Hausdorff Distance）。该方法在自动分割任务中显著优于现有先进技术，为术前规划提供可靠形态学支撑。