基于Self-ONN解码器与EfficientNet集成的多类别前列腺腺体分割增强框架

针对前列腺癌（PCa）诊断中传统方法依赖主观判断、效率低下的问题，研究人员提出了一种结合EfficientNetB4编码器与Self-ONN（自组织操作神经网络）解码器的多类别分割模型，用于精准定位前列腺整体及分区（外周带PZ、移行带TZ）。通过STAPLE集成策略，模型在PI-CAI数据集上达到全腺体Dice分数95.33%，分区92.32%，为个性化医疗提供自动化解决方案。

　　

前列腺癌（PCa）作为男性第二大高发癌症，每年新增病例达141万，但其诊断仍依赖侵入性活检和主观性强的影像评估。传统卷积神经网络（CNN）因线性神经元模型的局限，难以捕捉生物神经系统的复杂动态，而操作神经网络（ONN）虽引入非线性算子，仍需人工设计节点。针对这一瓶颈，研究人员提出了一种创新性解决方案——将EfficientNetB4编码器与自组织操作神经网络（Self-ONN）解码器结合，构建多类别前列腺分割模型。该研究利用近期公开的大规模PI-CAI挑战数据集（含超1万张MRI切片），通过5折交叉验证，实现了全腺体分割Dice分数95.33%、联合分区（PZ+TZ）92.32%的突破性性能，相关成果发表于《Computers in Biology and Medicine》。

关键技术包括：1）采用Self-ONN解码器，通过可学习高阶多项式扩展自动优化非线性算子；2）集成EfficientNetB4编码器提取多层次特征；3）应用STAPLE算法对前三名模型进行集成增强；4）基于PI-CAI数据集（多中心回顾性双参数MRI）进行模型训练与验证。

结果与讨论

• 模型架构验证：对比实验表明，EfficientNetB4+Self-ONN组合在模糊边界和异质性强度分布的腺体区域表现最优，其生成性神经元可动态适应不同MRI协议。
• 分区分割性能：PZ（70%癌变高发区）和TZ分割精度分别达90.14%和89.76%，显著优于传统USE-Net等基于固定卷积的模型。
• 集成提升效果：STAPLE集成使全腺体Dice提升1.2个百分点，证明多模型协同可降低单模型偏差。

结论与意义
该研究首次将Self-ONN的自主学习能力应用于前列腺多区域分割，其核心创新在于摆脱了传统ONN对人工算子设计的依赖，通过多项式基函数自动生成最优非线性操作。临床层面，模型支持精准活检导航和个性化治疗规划，尤其对PSA持续升高但活检阴性病例的MRI再评估具有重要价值。未来可扩展至多模态影像融合，进一步推动AI在泌尿肿瘤精准医学中的应用。