用于从非对比CT图像中分割肝脏的循环U-net集成模型

《Biomedical Signal Processing and Control》：Ensemble recurrent u-net for segmentation of liver from Non-Contrast CT images

本研究提出新型集成循环U-Net（ER U-Net）架构，通过结合ResNet-34编码器、C-LSTM解码器、RCCAG跳跃连接和ASPP桥接模块，有效实现了从非对比CT（NCCT）图像中肝脏分割。在913例患者数据集上，ER U-Net的Dice系数达0.9678，IoU为0.9376，NSD为0.9921，显著优于传统U-Net、CCNet等基线模型，解决了NCCT图像中肝边界模糊的问题。

　　本研究旨在探索一种新型的深度学习模型，用于从非对比增强CT（NCCT）图像中自动分割肝脏。由于NCCT图像在肝脏与周围器官的区分上存在一定的模糊性，因此设计一种能够有效捕捉这种模糊边界的分割架构具有重要意义。肝脏病变，尤其是肝细胞癌（HCC），是全球范围内第三大癌症相关死亡原因，而CT作为常用的影像学检查手段，在临床诊断和治疗规划中发挥着关键作用。然而，常规的对比增强CT（CECT）虽然在图像清晰度和结构分辨上更优，但其使用过程存在时间成本高、经济负担重以及可能引发的不良反应等问题，尤其在肾功能不全、心功能障碍和哮喘等患者群体中更为突出。因此，针对NCCT图像进行肝脏分割的研究，不仅有助于降低患者的健康风险，还能为临床医生提供更安全、有效的诊断工具。

当前，基于U-Net的语义分割方法已被广泛应用于医学影像领域，其核心优势在于对称的编码器和解码器结构，使得图像特征的学习和重建过程更加高效。然而，面对NCCT图像中肝脏边界模糊、结构复杂的问题，传统方法在分割精度和鲁棒性方面存在一定的局限性。为此，本研究提出了一种创新的集成型递归U-Net（ER U-Net）架构，该架构结合了ResNet-34编码器、带有记忆机制的C-LSTM解码器、基于递归交叉注意力门（RCCAG）的跳接连接以及通过空洞空间金字塔池化（ASPP）模块实现的编码器与解码器之间的桥梁连接。这些模块的协同作用使得模型能够更有效地整合多尺度、残差学习的特征图，从而提升肝脏分割的准确性和完整性。

ER U-Net的编码器部分采用了ResNet-34，这是一种在图像分类任务中表现出色的深度卷积神经网络。ResNet-34通过残差连接（Residual Connections）解决了深度网络中的梯度消失问题，使得模型在学习图像特征时更加稳定和高效。而在解码器部分，研究团队引入了带有记忆机制的C-LSTM（Convolutional Long Short-Term Memory）网络。C-LSTM不仅能够捕捉图像中的局部特征，还能通过时间序列建模的方式，有效整合不同切片之间的信息，提高对肝脏结构的识别能力。这一设计特别适用于NCCT图像，因为肝脏在这些图像中往往缺乏清晰的边界，而C-LSTM的记忆机制可以缓解这一问题，帮助模型更好地理解肝脏与周围结构之间的关系。

为了进一步优化特征传递过程，研究团队在跳接连接中引入了RCCAG模块。RCCAG是一种基于注意力机制的模块，能够根据图像内容动态调整特征传递的权重，使得模型在不同切片之间进行信息交互时更加灵活和高效。这种机制特别适用于肝脏分割任务，因为肝脏在NCCT图像中常常与其他器官（如心脏、胃、胆囊等）的边界模糊，而RCCAG能够通过关注关键区域，提高模型对肝脏轮廓的识别能力。此外，ASPP模块被引入作为编码器与解码器之间的桥梁，该模块通过在不同尺度上进行特征提取，使得模型能够同时捕捉肝脏的全局结构和局部细节，从而提升分割结果的精度。

本研究的数据集来自Jawaharlal Institute of Postgraduate Medical Education and Research（JIPMER）的机构数据，包含24名患者的913张CT图像。这些图像涵盖了不同阶段的CT扫描，包括NCCT和CECT。在NCCT阶段，肝脏呈现为均质结构，而病变的识别和区分较为困难；而在CECT阶段，肝脏与周围结构的对比更加明显，分割效果也更优。然而，由于CECT的使用存在一定的风险，因此开发一种能够在NCCT图像中实现高精度肝脏分割的模型，对于临床诊断和治疗规划具有重要意义。通过实验，研究团队验证了ER U-Net在NCCT图像中的分割能力，并将其与三种现有的先进模型（U-Net、CCNet和CFCM U-Net）进行了比较。实验结果表明，ER U-Net在分割性能上表现优异，Dice系数达到了0.9678，交并比（IoU）为0.9376，归一化表面Dice（NSD）为0.9921，均优于其他模型。这说明，ER U-Net在捕捉NCCT图像中模糊肝脏边界方面具有显著优势。

在实际应用中，肝脏分割不仅有助于诊断肝细胞癌等疾病，还能为外科手术、化疗、放疗和药物治疗提供重要的影像学支持。通过三维可视化技术，医生可以更直观地了解肝脏的形态、体积以及与周围血管和器官的关系，从而制定更精确的治疗方案。然而，由于NCCT图像中肝脏与周围结构的边界不够清晰，因此需要一种能够有效区分肝脏与周围组织的模型。ER U-Net通过其独特的架构设计，不仅提高了肝脏分割的准确性，还增强了模型对不同切片间信息交互的能力，使得分割结果更加稳定和可靠。

此外，本研究还强调了在肝脏分割任务中，解码器架构的重要性。传统的U-Net解码器通常采用转置卷积（Transpose Convolution）来实现特征图的上采样，但这种方法在处理模糊边界时存在一定的局限性。为此，ER U-Net采用C-LSTM作为解码器，通过其记忆机制和时序建模能力，使得模型在不同切片间进行信息传递时更加高效。这种设计不仅提高了分割的精度，还增强了模型对不同切片间上下文信息的理解能力，从而提升了整体分割效果。

在实验过程中，研究团队使用Keras和TensorFlow库搭建了ER U-Net模型，并在NVIDIA GEFORCE RTX 3070 GPU上进行训练和测试。通过对比实验，研究团队验证了ER U-Net在NCCT图像中的分割性能，并发现其在不同阶段的CT图像中均能保持较高的分割准确率。这说明，ER U-Net不仅适用于单一阶段的NCCT图像，还能有效处理多阶段CT图像中的肝脏分割任务。此外，研究团队还进行了消融实验，分析了各个模块对分割性能的影响。结果表明，各个模块的协同作用对于提升分割效果具有重要意义，其中ASPP模块和RCCAG模块在特征整合和边界识别方面发挥了关键作用。

本研究的创新点在于提出了一种结合多种先进模块的集成型递归U-Net架构，该架构不仅能够有效处理NCCT图像中肝脏边界模糊的问题，还能提高分割结果的精度和完整性。与传统的U-Net模型相比，ER U-Net通过引入C-LSTM和RCCAG等模块，使得模型在处理多尺度特征时更加高效。同时，ASPP模块的引入使得模型能够更好地整合不同尺度的特征信息，从而提升分割的鲁棒性。这些创新使得ER U-Net在处理NCCT图像中的肝脏分割任务时表现出色，为临床诊断和治疗规划提供了新的技术支持。

在临床应用中，肝脏分割不仅有助于早期发现和诊断肝脏疾病，还能为手术规划提供重要的影像学信息。通过精确的肝脏分割，医生可以更准确地评估肝脏的体积、形态以及与周围结构的关系，从而制定更合理的手术方案。此外，肝脏分割结果还可以用于评估治疗效果，为后续的放疗和化疗提供依据。因此，开发一种能够有效处理NCCT图像中肝脏分割任务的模型，对于提高临床诊断的准确性和效率具有重要意义。

综上所述，本研究提出了一种新型的集成型递归U-Net架构（ER U-Net），该架构结合了ResNet-34编码器、C-LSTM解码器、RCCAG跳接连接和ASPP桥梁连接，从而实现了对NCCT图像中肝脏边界的高效捕捉和分割。通过实验验证，ER U-Net在分割性能上表现出色，为肝脏分割任务提供了新的解决方案。这一研究成果不仅有助于提高临床诊断的准确性，还能为肝脏疾病的治疗规划提供重要的影像学支持。未来，研究团队将继续优化该模型，并探索其在其他医学影像分割任务中的应用潜力。