编辑推荐：
研究人员针对肝肿瘤分割难题，开展 HyborNet 网络研究，提升分割精度，助力肝癌诊断。
在医学领域，肝脏肿瘤的精准诊断一直是至关重要的课题。肝脏作为人体重要的代谢器官，一旦出现肿瘤，早期准确的检测和诊断对于提高患者生存率和生活质量意义重大。计算机断层扫描（CT）技术的出现，为肝脏疾病的检测提供了有力工具，医生能够通过 CT 图像观察肝脏的形态、纹理和病灶情况。然而，从 CT 图像中快速、准确地识别和分割肝脏及肿瘤区域却并非易事。
现有的大多数方法在面对肝脏和肿瘤形状、大小及分布的显著差异时，往往难以准确勾勒出它们的边界。这导致肝脏轮廓分割不清晰，病变区域描绘错误，严重影响了肝癌诊断的准确性。为了解决这些问题，来自齐齐哈尔医学院公共卫生学院、齐齐哈尔大学计算机与控制工程学院等机构的研究人员开展了深入研究。他们提出了一种名为 HyborNet 的混合 Gabor 注意力卷积与 Transformer 交互网络，并结合分层监测机制用于肝脏和肿瘤分割。相关研究成果发表在《Scientific Reports》上。
在研究过程中，研究人员运用了多种关键技术方法。他们基于经典的医学图像分割网络 U-Net，构建了 HyborNet 的基础架构。在网络中，采用了 Gabor 注意力卷积（GAC），它由多维交互注意力和 Gabor 可学习卷积组成，能够在多尺度下精细地提取肝脏和肿瘤的特征信息。同时，引入了基于 Transformer 的远程依赖特征提取分支，用于获取全局特征。还设计了双分支交互模块（DIM），实现了局部和全局特征的有效融合。此外，研究人员使用了 LiTS 和 3DIRCADb 等公开数据集进行实验，通过多种评估指标对模型性能进行量化分析。
研究结果方面，在模型架构设计上，HyborNet 采用不对称双流编码器 - 解码器架构，包含局部特征提取分支和远程依赖特征提取分支。局部特征提取分支利用 GAC，能够表示多尺度特征，细化边缘细节纹理特征；远程依赖分支采用 PVT17框架，增强了特征提取能力并降低资源消耗。在实验结果对比中，将 HyborNet 与当前流行的基于 CNN 和 CNN - Transformer 的方法进行比较，在 LiTS 数据集上，HyborNet 在肝脏分割的 Dice 系数（DIC）达到 95.82%、交并比（IOU）达到 91.34%，在肿瘤分割的 DIC 达到 55.59%、IOU 达到 42.16%，在几乎所有评估指标上都优于其他模型。在 3DIRCADb 数据集上，同样取得了优异的成绩，进一步证明了模型的有效性和鲁棒性。在消融研究中，通过对不同组件进行实验验证，发现 GAC 能够显著提升模型性能，双分支 Transformer 结构有助于更好地提取特征，分层监测机制对分割结果有积极的引导作用。
研究结论与讨论部分，HyborNet 能够同时提取丰富的局部特征信息和远程依赖信息，在腹部 CT 的肝脏和肿瘤分割任务中表现出色。该模型通过将 CNN 和 Transformer 架构集成到统一框架中，利用 GAC 提取精细的局部细节信息，Transformer 分支建模区域间的远程上下文信息，双分支交互模块融合局部和上下文相关特征，以及分层监测机制优化分割结果，实现了高精度的分割。然而，研究也存在一些局限性，如网络仅在二维腹部 CT 切片上进行分割，未利用三维 Z 轴信息，且模型包含大量组件，导致参数数量较多，计算时间较长。未来的研究方向将聚焦于探索轻量级网络架构，平衡模型复杂性和识别准确性，同时探索多模态医学图像分割的深度学习方法，以辅助临床疾病的诊断。
总的来说，HyborNet 的提出为肝脏和肿瘤分割提供了一种新的有效方法，在肝癌诊断方面具有重要的临床价值，虽然存在一些不足，但为后续研究指明了方向，有望推动该领域的进一步发展。
