DGA-Net：一种用于医学图像中肝脏肿瘤分割的双分支组聚合网络

针对肝细胞癌（HCC）的高侵袭性和分割难题，本文提出DGA-Net双分支网络架构，结合傅里叶光谱学习、多轴哈达玛德注意力及跨分支聚合模块，有效提升肝脏和肿瘤分割精度，在LiTS2017和3DIRCADb数据集上表现最优，DPC达94.84%和69.51%，显著优于SOTA方法。

　　
肝细胞癌（HCC）作为全球范围内高发恶性肿瘤之一，其精准分割在临床诊断、手术规划及疗效评估中具有关键作用。传统分割方法依赖人工经验，存在效率低、主观性强、边界定位不精确等问题。近年来，基于深度学习的自动分割技术逐步成为研究热点，但现有模型仍面临三大核心挑战：1）局部与全局特征融合不足，难以捕捉肿瘤边界模糊及小病灶稀疏分布特征；2）多尺度特征整合效率低，导致信息冗余或冲突；3）模型参数膨胀与计算成本高，限制了其在资源受限临床场景的应用。针对上述问题，本文提出了一种双分支协同聚合网络（DGA-Net），通过融合频谱学习、多轴注意力机制与动态特征聚合模块，显著提升了分割精度与计算效率。

### 一、技术架构与核心创新
DGA-Net采用“双分支编码器+动态聚合解码器”的架构设计。编码器包含两个并行分支：FSMF分支通过傅里叶频谱分析提取组织亮度（振幅）与微观结构（相位）特征，MAHA分支则采用哈达玛德积注意力机制，沿空间-通道多维度增强特征关联性。解码器引入的GMCA模块通过分组多头交叉注意力实现跨分支特征融合，形成全局-局部互补机制。

**FSMF分支**的核心在于频谱特征解耦。通过快速傅里叶变换（FFT）将图像转换至频域，分离振幅（反映整体亮度分布）与相位（捕捉局部细节）信息。例如，高振幅区域对应肿瘤核心区域，而相位信息则能有效增强边缘检测能力。该模块特别针对CT图像低对比度问题，通过频域增强策略显著改善小病灶的可见性。

**MAHA分支**采用轻量级哈达玛德积注意力机制，沿三个轴（高度-宽度、通道-高度、通道-宽度）动态分配权重。与传统全连接注意力相比，哈达玛德积通过元素级乘法降低计算复杂度，同时引入相对位置编码增强空间感知。例如，在肿瘤边界模糊场景中，该模块能通过跨通道特征对比强化边界锐化效果。

**GMCA模块**通过分组特征聚合实现跨模态融合。具体而言，将输入特征按通道分组后，分别进行多尺度特征提取（如3×3卷积+空洞卷积）与跨分支注意力交互。这种设计既保留了频谱特征的全局性，又整合了空间特征的具体形态，同时通过分组机制将计算量控制在合理范围。

### 二、实验设计与对比分析
在LiTS2017和3DIRCADb两个公开数据集上，DGA-Net与当前SOTA方法（如PVTFormer、AGCAF-Net）进行对比测试。实验表明，DGA-Net在肝组织分割的Dice-per-case（DPC）达到94.84%，肿瘤分割DPC达69.51%，分别超越对比方法0.72%和1.68%。在关键评价指标HD95（边界95%对应点最大距离）中，DGA-Net的肝组织分割HD95为2.80毫米，肿瘤分割为9.77毫米，均优于其他模型。

**性能优势解析**：
1. **边界精度提升**：通过频谱学习增强的振幅-相位联合特征，可有效识别肿瘤边缘的亮度渐变与结构细节。MAHA模块的多轴注意力机制则能捕捉边界区域的空间拓扑关系，例如肿瘤与肝包膜接触区域的环形特征。
2. **小病灶检测优化**：FSMF分支通过频域放大策略，将低对比小病灶的幅值差异增强2-3倍。实验显示，直径<2厘米的肿瘤DPC提升达3.6%，且ASSD（对称表面距离）降低至10.80毫米，较传统方法减少约18%。
3. **计算效率显著改善**：DGA-Net参数量仅1.39M，而对比模型如PVTFormer达45.05M。在RTX 3090 GPU上，单层推理时间较nnUNet减少23%，全数据集处理时间缩短至原方法的1/3。

### 三、关键模块贡献度验证
通过模块消融实验，各组件贡献度如下：
- **FSMF分支**：在肿瘤分割中贡献度达32%，其频谱特征对提升小病灶检测敏感度至关重要。
- **MAHA模块**：减少跨通道计算量约65%，同时提升肿瘤边界清晰度（HD95降低12%）。例如，在多中心临床试验中，MAHA分支对血管干扰的鲁棒性提升达27%。
- **GMCA模块**：引入跨分支特征交互后，DPC整体提升8.19%，尤其在肝组织与肿瘤交叠区域（如门静脉周围）表现突出。

### 四、临床应用价值与局限性
**应用场景**：
- **术前规划**：通过高精度肿瘤分割生成3D重建模型，辅助制定个性化手术方案。实验显示，DGA-Net的肿瘤体积误差RAVD仅0.386%，适用于MRI与CT影像的跨模态分割。
- **术中导航**：实时推理时间（0.082秒/层）满足术中动态调整需求，且在10%-20%的GPU内存占用下仍保持稳定性能。
- **疗效评估**：基于分割结果的体积变化（RAVD）与表面误差（ASSD）指标，可客观量化治疗响应。

**局限性分析**：
- **3D信息利用不足**：当前模型为2D架构，未充分挖掘CT多切片特征。后续研究计划引入3D注意力机制，提升跨切片肿瘤检测能力。
- **噪声敏感性问题**：在CT图像中，高斯噪声（σ>0.5）会导致DPC下降约5%，需通过数据增强或自适应降噪模块进一步优化。
- **计算资源依赖**：尽管参数量较低，但MAHA模块的并行计算仍需NVIDIA GPU支持，未来需开发轻量化推理引擎。

### 五、技术启示与未来方向
本研究揭示了三个技术方向对分割模型性能的提升路径：
1. **频谱-空间特征协同**：结合傅里叶变换的频域特征与注意力机制的空间建模能力，可显著改善低对比度组织的分割效果。
2. **动态分组聚合策略**：通过特征分组与模块化交互，在保证性能的同时将参数量压缩至传统模型的15%-20%。
3. **轻量化注意力设计**：哈达玛德积注意力机制相比全连接注意力减少60%计算量，为医学影像模型的实时部署提供可能。

未来工作将重点解决以下问题：
- **多模态融合**：整合MRI的T2加权像与CT的解剖结构信息，提升复杂病例的分割鲁棒性。
- **可解释性增强**：通过注意力权重可视化，辅助医生理解模型决策依据。
- **自适应计算**：开发硬件感知的动态计算框架，在GPU与边缘设备间实现性能自适应。

### 六、结论
DGA-Net通过双分支协同架构与轻量化注意力机制，在保持高分割精度的同时显著降低计算成本。其实验结果表明，该模型在肝组织分割中达到94.84%的DPC，肿瘤分割达69.51%，且在跨数据集（LiTS2017→3DIRCADb）测试中表现稳定，验证了其泛化能力。这种技术特性使其特别适用于资源受限的基层医疗机构，同时为3D扩展与多模态融合奠定了基础。后续研究将聚焦于临床场景验证与计算效率优化，目标实现实时三维分割（<50ms/ slice）与端到端部署（<500MB内存）。