编辑推荐：
在医学图像分割领域，卷积神经网络（CNNs）存在局限，难以处理器官形状和大小的个体差异及利用全局信息。研究人员开发 DMSC 和 DMRC 模块并构建 DMC-Net。实验表明，DMC-Net 在胰腺分割任务中表现优异，优于现有方法，为医学图像分割提供新方案。
在医学领域，准确的医学图像分割对于疾病诊断和治疗规划至关重要。就像医生需要精准地找到身体里的目标器官，了解它们的形态和变化，才能制定出有效的治疗方案。然而，传统的手动标注方式不仅耗时，还容易出错。随着深度学习的发展，卷积神经网络（CNNs）成为医学图像分割的热门工具。但它也有自己的 “小毛病”，比如在处理不同患者器官形状和大小差异较大的情况时，表现就不太理想，而且很难利用全局的长距离上下文信息。这就好比一个视力不太好的人，看东西只能看到局部，没办法把握整体。胰腺作为人体重要的消化和代谢器官，其准确分割对胰腺疾病的诊断和治疗意义重大。可从腹部 CT 图像中分割胰腺极具挑战，因为不同患者的胰腺形状和大小变化很大，而且它在图像中占比很小，很容易被 “忽视”。为了解决这些问题，研究人员踏上了探索之旅。
来自未知研究机构的研究人员开展了关于胰腺分割的研究，他们提出了 Dynamic Multi-scale and Multi-resolution Convolution network（DMC-Net，动态多尺度和多分辨率卷积网络）。研究结果显示，DMC-Net 在胰腺分割任务中表现卓越，在两个常用的基准数据集上，2D DMC-Net 和 3D DMC-Net 都取得了很高的平均 Dice 相似系数（DSC）分数，超越了当前最先进的方法。这一研究成果意义非凡，它为医学图像分割提供了新的思路和方法，有助于提高胰腺疾病的诊断准确性，推动医学领域的进步。该研究成果发表在《Biomedical Signal Processing and Control》上。
研究人员主要采用了以下关键技术方法：首先构建了 DMC-Net 网络架构，将动态多尺度卷积（DMSC）和动态多分辨率卷积（DMRC）模块融入标准 U - Net 架构中。在模块设计方面，DMRC 模块通过在不同分辨率图像上进行卷积来捕捉多尺度特征，并利用动态机制建模全局信息；DMSC 模块则使用不同大小的卷积核提取多尺度特征，同样借助动态机制利用全局信息。此外，还采用了轻量化设计，如在 3D DMSC 模块中使用深度 wise 卷积减少计算复杂度，在 DMRC 模块中利用平均池化降低输入特征维度。研究使用了两个公开数据集，即 NIH 的 TCIA - Pancreas 数据集和 MSD - Pancreas 数据集。
实验和结果
- 数据集：使用 NIH 的 TCIA - Pancreas 数据集，包含 80 例正常胰腺的 3D 腹部 CT 扫描；以及 MSD - Pancreas 数据集，有 420 例胰腺肿块切除患者的门静脉期 CT 扫描。
- 实现细节：用 PyTorch 实现 DMC-Net，结合交叉熵损失（LCE）和骰子损失（LDice）作为损失函数，使用随机梯度下降（SGD）优化器训练模型，设置了一系列训练参数。对图像进行了重采样、归一化等预处理，还使用了数据增强技术，并采用 5 折交叉验证评估模型。
- 与现有方法比较：在两个数据集上，将 DMC-Net 与多种当前最先进的模型进行比较。在 NIH TCIA - Pancreas 数据集上，2D DMC-Net 和 3D DMC-Net 的平均 DSC 分数均高于其他对比模型；在 MSD 数据集上，同样表现出色，在胰腺和胰腺肿瘤分割方面均取得了更高的 DSC 分数。这表明 DMC-Net 在胰腺分割任务上具有显著优势。
- DMRC 和 DMSC 模块的消融研究：对比 DMC-Net 与 U-Net 基线，发现将 DMRC 或 DMSC 模块融入 U-Net 后，分割性能提升，且同时使用两个模块的 DMC-Net 性能最佳。这证明了 DMRC 和 DMSC 模块对提高胰腺分割准确性有重要作用。
- 轻量化设计的消融研究：研究发现，在 2D 和 3D DMRC 模块中使用 4×4 平均池化（2D）或 1×4×4 平均池化（3D）可降低计算复杂度并提高分割性能；在 3D DMSC 模块中，使用 5×5×5 深度 wise 卷积（DWConv）能在保证性能的同时降低计算复杂度。
研究结论表明，DMC-Net 通过采用 DMSC 和 DMRC 模块，有效提高了卷积层的表示能力，在胰腺分割任务中取得了优异的性能。其轻量化设计使得在不增加计算复杂度的情况下，提升了分割精度，为医学图像分割提供了更高效、准确的方法。这一研究成果不仅有助于提高胰腺疾病的诊断水平，还为后续相关研究奠定了基础，推动了医学图像分割领域的发展，在临床实践中具有广阔的应用前景。
