基于多任务学习的3D自适应混合Transformer在自动乳腺超声分割中的创新应用

《Computers in Biology and Medicine》：A 3D self-configuring hybrid transformer with multi-task learning for 3D automated breast ultrasound segmentation

本文提出了一种创新的3D自适应混合Transformer模型，通过稀疏自适应注意力（SA2）模块和孪生混合注意力门（TMA）结构，结合多任务学习（MTL）策略，有效解决了3D自动乳腺超声（ABUS）图像中肿瘤分割的挑战。该模型在200例数据集上实现了59.80%的Dice系数，显著提升了对小肿瘤和病灶相关伪影的识别能力。

　　

Highlight

我们的方法在3D ABUS图像分割中实现了突破性性能，其核心创新体现在三个方面：自适应稀疏注意力机制有效平衡计算效率与全局特征提取；通道优先注意力门增强瓶颈层特征表示；多任务学习框架显著提升模型对病灶伪影的鲁棒性。

Method

我们基于nnU-Net框架构建了3D自适应混合Transformer网络（图1）。SA2模块通过自适应下采样技术动态调整键值特征图的分辨率，在保留空间信息的同时引入并行视觉Mamba层捕获序列动态特征。TMA门控机制整合跨通道注意力（C2A）模块，利用池化上下文向量生成通道先验注意力图，通过压缩多层感知机（MLP）优化通道间长程依赖建模。

Data

本研究使用哈尔滨医科大学提供的MICCAI 2023 TDSC-ABUS2023挑战赛数据集，采集自GE Healthcare的Invenia ABUS系统。数据集包含200例带有专家标注的3D ABUS图像，肿瘤体积范围0.01-50 cm3，按5折交叉验证划分。

Experiments

所有实验在NVIDIA A100（80GB）上完成，代码已开源。我们与主流模型进行对比，并针对不同肿瘤体积分组（0–0.5 cm3、0.5–1 cm3、1–3 cm3、3–50 cm3）进行消融实验。

Results

与现有技术相比，我们的模型在Dice系数（59.80%）、豪斯多夫距离（17.85）等指标上全面领先。消融实验表明SA2模块使训练速度提升37%，TMA门控将小肿瘤（<0.5 cm3）分割精度提高12.3%。多任务学习策略使假阳性率降低至0.046%。

Discussion

SA2模块的自适应下采样策略相比三线性插值显著提升特征提取效率。TMA门控通过通道优先注意力机制有效缓解了深度编码器的信息衰减问题。多任务学习中的一致性损失函数成功对齐分类与分割结果，增强了对病灶伪影的判别能力。

Conclusion

本研究提出的混合Transformer架构通过创新性注意力机制与多任务学习的协同优化，为3D ABUS肿瘤分割建立了新的技术标杆。未来工作将探索该框架在多中心数据上的泛化能力。