编辑推荐：
在医学影像领域，脑肿瘤分割面临挑战，传统方法和卷积神经网络（CNNs）均存在局限。研究人员开展 DSIT-UNet 相关研究，该模型在多数据集表现优异。这为脑肿瘤分割提供新方案，推动了临床神经影像发展。
脑肿瘤是严重威胁人类健康的疾病，在医学影像分析中，准确分割脑肿瘤是一大难题。脑肿瘤具有显著的异质性，其位置、形状和大小各不相同，这使得传统的自动分割方法难以精确勾勒肿瘤边界。磁共振成像（MRI）虽已成为脑肿瘤可视化的金标准，其中的液体衰减反转恢复（FLAIR）序列能增强肿瘤相关水肿与健康脑组织的对比度，但肿瘤形态的多变、成像伪影的存在以及区分非增强肿瘤区域和周围组织的困难，都让从 FLAIR MRI 图像中分割肿瘤成为极具挑战性的任务。卷积神经网络（CNNs）在医学图像分割领域取得了一定进展，然而其有限的感受野使其难以捕捉长程依赖关系，影响了脑肿瘤分割的精度。基于 Transformer 的模型虽能解决长程依赖问题，但存在对大量训练数据的需求以及缺乏 CNNs 的归纳偏差等不足。混合架构虽结合了两者优势，但在多尺度特征提取方面仍有欠缺。为了攻克这些难题，来自伊斯兰大学（Islamic University）、巴勒莫大学（University of Palermo）等机构的研究人员开展了关于 DSIT-UNet（Dual-Stream Iterative Transformer-based U-Net）的研究。研究表明，DSIT-UNet 在多个基准数据集上取得了卓越的性能，超过了现有方法，为脑肿瘤分割带来了新的突破，这一成果发表在《Scientific Reports》上。
研究人员在这项研究中运用了多种关键技术方法。在数据处理方面，通过 2D 切片提取、FLAIR 异常选择、图像 resize 和 Z-score 归一化对数据进行预处理。在模型构建上，采用双流迭代变压器（DSIT）编码器，其中多尺度补丁提取器（MSPE）块利用不同大小的卷积核提取特征，迭代变压器（IT）块通过多种注意力机制逐步优化特征表示；还引入了转换空间混合注意力优化（TSHAO）模块，有效融合多尺度特征；最后利用解码器合成处理后的信息得到最终分割结果。
下面来看具体的研究结果：
- 定量性能分析：研究人员使用 TCIA、BraTS 2019 和 BraTS 2020 这三个基准数据集对 DSIT-UNet 进行评估。在 TCIA 数据集上，该模型的平均交并比（Mean IoU）达到 0.9521，精度为 0.9591，召回率为 0.9655，平均骰子系数（mDice）为 0.9623；在 BraTS 2019 数据集上，Mean IoU 为 96.08%，精度为 95.34%，召回率为 95.55%，mDice 为 95.44%；在 BraTS 2020 数据集上，Mean IoU 为 95.88%，精度为 96.21%，召回率为 96.44%，mDice 为 96.32%。与之前的一些先进模型相比，DSIT-UNet 在各项指标上都有显著提升，同时在计算效率和模型复杂度之间达到了较好的平衡。
- 定性性能分析：通过定性分析发现，DSIT-UNet 在肿瘤定位和肿瘤与健康组织边界的精确勾勒方面表现出色。从特征可视化结果来看，MSPE 块的奇数和偶数卷积核特征具有互补性，偶数卷积核擅长捕捉连续结构和全局信息，奇数卷积核则专注于检测边界变化和细微细节；解码器通过多次注意力机制对特征进行逐步优化，使特征在肿瘤相关区域的空间连贯性和激活模式更强。
- 显著性图分析：利用基于梯度的显著性图作为可解释人工智能（XAI）手段，发现 DSIT-UNet 主要关注肿瘤边界和内部纹理模式，在肿瘤边缘有强烈的激活模式，且能考虑肿瘤区域内部的组织异质性，对成像伪影和正常解剖结构具有鲁棒性，不同测试案例中的显著性模式一致，体现了模型的泛化能力。
- 消融分析：通过对 BraTS 2019 数据集进行消融研究，验证了模型各组件的有效性。结果表明，双编码器、TSHAO 模块、IT 模块以及混合卷积核配置和优化的补丁大小等，都对模型的优异分割性能有重要贡献。
研究结论和讨论部分指出，DSIT-UNet 在多个基准数据集上显著提升了脑肿瘤分割的水平。其双流架构结合混合卷积核配置，提高了特征提取能力；TSHAO 模块和迭代注意力机制增强了特征优化和空间理解能力；合适的补丁大小和编码器 - 解码器深度平衡了细节保留和过拟合问题。从临床应用角度看，DSIT-UNet 的高召回率能有效减少肿瘤漏检，显著性图分析为临床诊断提供了可解释性依据，且模型的计算效率使其适用于资源有限的临床环境。与现有方法相比，DSIT-UNet 克服了传统 CNNs 模型难以捕捉复杂肿瘤形态以及 Transformer - 基于模型边界精度和计算效率不足的缺点。不过，该模型也存在一些局限性，如在其他医学成像任务中的泛化性有待验证、计算复杂度较高、可解释性框架需进一步完善以及对模型在不同成像条件下的鲁棒性评估不足等。未来的研究可针对这些问题展开，以推动算法创新与临床应用的进一步结合，为患者提供更精准可靠的肿瘤分割结果，改善医疗诊断和治疗效果。
