基于注意力增强残差U-Net的双模态MRI子宫淋巴结分割方法研究及其临床意义

针对子宫MRI图像中淋巴结（LNs）边界模糊、形态多样且与周围组织对比度低的技术难题，厦门理工学院与福建妇幼保健院联合团队提出了一种结合T2WI和DWI双模态图像的注意力增强残差U-Net（ERU-Net）分割方法。通过引入高效通道注意力（ECA）模块和残差网络，模型在158例患者数据集中实现了mIoU 0.83、召回率0.91的优异性能，显著优于U-Net等传统模型。该研究为子宫癌淋巴结转移的精准诊断提供了自动化工具，具有重要临床转化价值。

　　

在妇科肿瘤诊疗中，淋巴结（Lymph Nodes, LNs）转移状态是决定子宫癌预后和治疗方案的关键指标。然而传统MRI影像中，淋巴结因边界模糊、形态变异大且与周围软组织对比度低，导致临床诊断高度依赖放射科医师经验，存在耗时久、主观偏差大等问题。据国际妇产科联盟（FIGO）统计，约40%的子宫癌复发与淋巴结漏检相关，开发自动化分割工具迫在眉睫。

厦门理工学院光电与通信工程学院联合福建妇幼保健院团队在《BioMedical Engineering OnLine》发表研究，提出注意力增强残差U-Net（ERU-Net）模型。该研究创新性地融合T2加权成像（T2WI）的组织结构信息与扩散加权成像（DWI）的病变信号特征，通过高效通道注意力（ECA）模块和残差连接优化特征提取，在158例病理确诊的III期淋巴结患者MRI数据集上实现突破性进展。

关键技术方法包括：1）采用相关性驱动特征分解融合（CDDF）算法整合双模态MRI图像；2）构建ERU-Net架构，在编码器-解码器阶段嵌入残差块，上采样前加入ECA模块（避免维度压缩的1D卷积通道注意力）；3）使用包含426张增强图像的训练集（原始158例经水平翻转、高斯噪声等数据增强），以Dice损失和交叉熵损失联合优化模型。

研究结果：

1. 模型性能对比
   ERU-Net在双模态数据上的mIoU达0.83，较原始U-Net提升11%，显著优于DeepLabv3+（0.68）、Segformer（0.71）等模型（p<0.05）。其推理速度达75.52 FPS，满足临床实时需求。

2. 注意力机制选择
   消融实验表明，ECA模块因保留通道维度（k邻域自适应权重），性能优于会导致特征损失的SE¹⁷和CBAM¹⁸模块，单独使用残差网络时mIoU为0.81。

3. 临床可视化验证
   如图2所示，ERU-Net在T2WI低对比度区域（图2b）仍能准确分割淋巴结（图2c），而PSPNet存在漏检（图3），U-Net则出现过分割。

讨论与结论：
该研究首次将双模态MRI与注意力-残差机制结合应用于子宫淋巴结分割。ECA模块通过跨通道交互增强微小淋巴结特征提取，残差连接缓解了梯度消失问题。外部验证集（15例）mIoU 0.78显示模型泛化性良好，但需扩大跨中心数据验证。

临床意义上，ERU-Net为医生提供了量化评估工具，可辅助制定精准手术方案。未来将通过超分辨率预处理和焦点损失函数（Focal Loss）进一步优化小目标分割性能。这项成果不仅推动了医学图像分析技术的发展，更为癌症智能诊疗系统（CAD）的落地提供了新范式。

（注：所有数据均来自原文，模型缩写如ERU-Net首次出现时已标注全称，专业术语如mIoU¹等保留原文格式）