基于SegFormer与病灶特异性增强的宫颈癌变病灶精准分割新方法

《IEEE Access》：Robust SegFormer-Based Cervical Neoplastic Lesion Segmentation Using Lesion-Specific Augmentation and Anatomical Label Optimization

本研究针对醋酸染色肉眼观察(VIA)图像中宫颈癌变病灶分割存在的低分辨率、光照不均等挑战，提出了一种结合SegFormer架构、解剖标签优化与病灶特异性增强(LSA)的多标签分割框架。通过系统评估不同标签配置与增强策略，研究证实3类标签（柱状区、病灶、宫颈外口）结合透明度调制(OM)可显著提升病灶分割IoU至0.6122，为低成本宫颈癌筛查提供高精度AI解决方案。

　　

在资源有限的医疗环境中，醋酸染色肉眼观察（VIA）因其低成本、易操作的特点，成为宫颈癌筛查的重要工具。然而，VIA图像的判读高度依赖临床医生的经验，存在主观性强、一致性差的问题。更棘手的是，VIA图像往往受到低分辨率、不均匀光照、组织半透明纹理及局部反光等多重因素干扰，使得宫颈癌前病变的精准分割变得异常困难。传统的深度学习模型多采用二元分割（病灶与背景），忽略了宫颈关键解剖结构（如柱状区、宫颈外口）的临床价值，且通用的数据增强方法难以模拟VIA图像特有的病灶形态变化，导致模型在真实场景中的泛化能力受限。

为解决上述问题，一篇发表于《IEEE Access》的研究提出了一种融合解剖标签优化与病灶特异性增强（LSA）的鲁棒分割框架。该研究首次系统评估了5类、4类及3类解剖标签配置对分割性能的影响，并引入SegFormer这一视觉Transformer架构，结合专门设计的增强策略（随机轮廓扭曲、透明度调制、局部反光/噪声注入），显著提升了宫颈癌变病灶的分割精度与临床实用性。

研究采用来自印度尼西亚Muhammad Hoesin医院的769张VIA图像数据集，由专业医生团队对五类解剖区域进行像素级标注（宫颈区、宫颈外口(OUE)、柱状区(Col)、癌前病灶(L)、转化区(TZ)）。通过对比CNN（DeepLabV3+、U-Net等）与ViT模型（SegFormer、Swin Transformer等）在不同标签配置下的表现，发现3类标签（Col、L、OUE）在SegFormer上取得最优效果。透明度调制(OM)作为核心增强技术，通过局部调整病灶区域亮度（α∈[1.2,1.8]），有效模拟了真实VIA图像中病灶的对比度变化，使病灶IoU提升至0.6122，Dice系数达0.7595。

关键方法概述

研究利用SegFormer模型，在256×256像素的VIA图像上开展多标签分割实验。通过解剖标签优化（比较5类、4类、3类配置）确定最佳标签组合；采用病灶特异性增强（包括透明度调制OM、随机轮廓扭曲RCW、局部反光/噪声注入LFNI）提升模型鲁棒性；使用交叉熵与Focal-Tversky损失函数缓解类别不平衡问题；内部测试集与外部Malhari队列验证模型泛化能力。

实验结果分析

1. 解剖标签配置优化

通过系统比较5类、4类及3类标签配置，研究发现简化标签集合（3类：Col、L、OUE）能显著提升模型聚焦能力，减少复杂解剖重叠带来的干扰。在SegFormer架构下，3类配置的病灶IoU从5类时的0.0491提升至0.5918，整体IoU达0.5558，证明简化标签有助于模型学习更具诊断意义的特征。

2. 模型架构比较

在无增强条件下，ViT-based模型（尤其是SegFormer）在多标签分割任务中普遍优于CNN模型。SegFormer在3类配置下取得最高整体IoU（0.5558），其在病灶与柱状区的分割一致性显著优于U-Net、DeepLabV3+等传统架构，凸显了Transformer在捕获全局上下文信息方面的优势。

3. 增强策略有效性验证

病灶特异性增强（LSA）的引入进一步优化了模型性能。其中，透明度调制（OM）通过局部调整病灶区域亮度（α∈[1.2,1.8]），使病灶IoU提升至0.6122，成为最有效的单一增强策略。相比之下，传统增强（如旋转、翻转）虽能提升空间鲁棒性，但对病灶对比度增强有限。OM与透视变换（P）的序列组合在保留病灶边界的同时进一步提升了分割稳定性。

4. 类别性能与误差分析

在3类分割任务中，模型对柱状区（Col）与病灶（L）表现出高分割精度（IoU分别为0.5472与0.6122），但对宫颈外口（OUE）的分割仍面临挑战（IoU仅0.1797）。混淆矩阵显示，OUE的漏检（FN）率高，主要源于其形态小、边界模糊及训练样本极度不平衡。尽管如此，模型在整体敏感性（92.64%）与平衡精度（95.09%）上表现优异，证实其临床可用性。

5. 泛化能力验证

模型在外部Malhari队列上的推理结果显示，其性能趋势与内部测试集高度一致，病灶与柱状区的分割指标保持稳定，证明模型具有良好的跨中心、跨设备泛化能力。类区比例分析进一步证实了模型在不同分布数据上的适应性。

结论与意义

本研究通过结合解剖标签优化与病灶特异性增强，构建了一种针对VIA图像的鲁棒分割框架。SegFormer在3类标签（Col、L、OUE）配置下展现出最优性能，透明度调制（OM）作为关键增强技术显著提升了病灶的可见性与分割一致性。该框架不仅突破了传统二元分割的局限，还通过引入宫颈外口（OUE）这一关键解剖标志，提升了分割结果的临床解释性。研究成果为低成本、高精度的宫颈癌AI筛查提供了技术基础，尤其适用于医疗资源匮乏地区。未来工作可聚焦于OUE区域的样本重平衡、高分辨率输入优化及多中心临床验证，进一步推动该技术向实际应用转化。