MMD U-Net：基于多尺度交互与动态上采样的CT图像胰腺及胰腺肿瘤精准分割新方法

《Displays》：MMD U-Net: A multi-scale interaction and dynamic upsampling network for pancreas and pancreatic tumor segmentation in CT images

本研究针对CT图像中胰腺形态多变、目标区域小、组织对比度低导致的精准分割难题，开发了MMD U-Net模型。通过设计多尺度大核分解(MKD)模块、多尺度特征融合(MSF)模块和动态上采样模块，显著提升了分割精度。在NIH和MSD数据集上，胰腺分割DSC分别达到89.79%和90.62%，胰腺肿瘤分割DSC达64.02%，均优于现有先进模型，为胰腺疾病早期诊断提供了可靠技术支撑。

　　

在医学影像分析领域，胰腺及其肿瘤的精准分割犹如在浩瀚星海中定位一颗暗淡的小行星——不仅目标微小、形态多变，还与周围组织缺乏明显对比。计算机断层扫描(CT)作为临床常用手段，虽能清晰呈现大部分腹部器官，却让胰腺成了"隐形冠军"：其组织对比度低、个体差异大、占比不足图像1%的特点，使传统分割方法屡屡受挫。当阈值分割、区域生长等传统手段难以捕捉胰腺的诡谲形态时，深度学习技术带来了破局曙光。

近日发表于《Displays》的研究论文《MMD U-Net: A multi-scale interaction and dynamic upsampling network for pancreas and pancreatic tumor segmentation in CT images》提出了一种创新解决方案。由Cheng Huang、Hongfan Liao等来自西南大学的研究团队开发的MMD U-Net模型，巧妙融合卷积神经网络(CNN)与Transformer优势，通过三大核心技术模块攻克了胰腺分割的长期难题。

研究团队采用的多尺度大核分解(MKD)模块将图像分解至不同尺度，分别应用5×5、7×7、9×9大卷积核进行深度卷积，显著扩展了感受野，使网络能灵敏捕捉胰腺的形态变化。多尺度特征融合(MSF)模块则像一位精准的指挥家，协调通道注意力、上下文信息和空间定位三支"乐队"，通过深度卷积与非线形变换实现特征互补。而动态上采样模块则突破传统上采样局限，基于像素重排与信息感知能力，在图像分辨率恢复过程中更好地保留了胰腺边缘与肿瘤轮廓等关键细节。

关键技术方法

研究基于NIH胰腺数据集(82例增强CT)和MSD胰腺肿瘤数据集(282例CT)开展实验，采用两阶段分割策略：先粗分割定位胰腺区域，再保守裁剪感兴趣区域(ROI)进行精细分割。通过多尺度大核分解(MKD)模块增强多尺度特征提取，利用多尺度特征融合(MSF)模块优化编码器-解码器间的特征传递，并引入动态上采样模块提升分辨率重建精度。评估指标包含DSC、Jaccard指数等，通过消融实验验证各模块有效性。

数据集与预处理

研究采用三个公共数据集和一个私有数据集。NIH_Pancreas数据集包含82例增强CT扫描，图像尺寸512×512，层厚1.5-2.5mm。MSD胰腺肿瘤数据集提供282例CT图像及胰腺、肿瘤标注。MSD_Colon数据集用于交叉验证。私有CY数据集包含60例增强CT。所有数据均经专家标注，并进行了窗宽窗位调整、强度归一化等预处理。

实验结果

在NIH数据集上，MMD U-Net的胰腺分割DSC达到89.79%，Jaccard指数为81.67%。在更具挑战的MSD数据集上，胰腺分割DSC为90.62%，胰腺肿瘤分割DSC达64.02%，显著优于TransUNet、UCTransNet等对比模型。消融实验证实各模块均带来性能提升，其中MKD模块贡献最大，使DSC提高1.23%。交叉数据集实验在MSD_Colon上取得78.35%的DSC，证明模型具有良好的泛化能力。

讨论

参数分析显示，MMD U-Net在保持合理计算复杂度(FLOPs为27.18G)的同时实现了最优性能。可视化结果证实该模型能准确捕捉胰腺细小分支和肿瘤模糊边界，对低对比度区域表现出更强鲁棒性。相比纯CNN模型，其多尺度交互机制更好地适应了胰腺形态变异；而相比纯Transformer架构，其动态上采样策略更有效保留了局部细节。

结论

MMD U-Net通过多尺度交互与动态上采样机制，成功解决了CT图像中胰腺及胰腺肿瘤分割的三大挑战：目标占比小、形态变异大、组织对比度低。其在公开数据集上的卓越表现验证了方法的有效性，为胰腺疾病早期诊断提供了一种可靠的全自动分割工具。未来研究可进一步探索三维上下文建模与多模态数据融合，以应对更复杂的临床场景。

这项研究不仅推动了胰腺影像分析技术的发展，更重要意义在于：通过提升分割精度，为临床医生提供了更可靠的量化分析基础，使早期发现微小胰腺肿瘤成为可能，最终有望改善胰腺癌患者的不良预后。模型代码已开源，助力医学影像社区的共同进步。