ECLNet：基于轻量Transformer的高效卷积网络在胸腺瘤分割中的创新应用

针对胸腺瘤形态多样导致的医学图像分割难题，研究人员提出混合架构ECLNet，通过轻量Transformer与高效卷积的协同设计，在胸腺瘤数据集上达到77.0% Dice分数，为临床诊断提供自动化精准分割方案，同时验证于DBCM和BTCV公共数据集。

　　

胸腺上皮肿瘤（TETs）是临床常见的纵隔肿瘤，其中胸腺瘤占75%-80%。尽管手术切除预后良好，但早期诊断依赖影像学检查。对比增强CT（CECT）因其高分辨率成为首选，然而胸腺瘤形态、大小差异显著，且与纵隔组织对比度低，导致人工标注耗时且易受主观影响。现有基于卷积神经网络（CNN）的U-Net变体（如Res-UNet、U-Net++）虽在医学分割中表现优异，但受限于卷积操作的局部性，难以捕捉胸腺瘤的全局特征。而Transformer虽能建模长程依赖，却面临医疗数据稀缺和高分辨率3D图像的计算瓶颈。

为解决这一矛盾，研究人员提出ECLNet——首个胸腺瘤3D分割混合网络。该模型通过轻量Transformer块（Lite transformer block）降低计算复杂度，结合编码器-解码器架构与细化模块（Refine Block），在胸腺瘤数据集上实现77.0% Dice分数，并在BTCV和DBCM数据集验证泛化性。关键技术包括：1）基于U-Net框架的3D卷积编码；2）线性复杂度的轻量自注意力机制；3）深度特征调整的细化模块；4）使用胸腺瘤临床CECT数据及两个公共数据集进行多尺度验证。

Architecture overview
ECLNet采用U型结构，编码器使用全卷积层提取特征，瓶颈层引入轻量Transformer处理CNN特征序列。通过随机非线性函数分解注意力矩阵，将计算复杂度从O(n²)降至线性，同时保留全局上下文信息。解码阶段融合Transformer输出与跳跃连接的高分辨率特征，最后经细化模块优化边界。

Experiments
在胸腺瘤数据集上，ECLNet的Dice分数较纯CNN模型提升6.2%，参数量减少37%。可视化结果显示其对微小病灶和模糊边界的捕捉能力显著优于UNet3+和TransUnet。在BTCV腹部数据分割任务中，Dice达到81.3%，证明跨器官适用性。

Discussion
轻量Transformer设计使模型在保持精度的同时，GPU内存占用降低至传统Transformer的1/8。案例显示（图7），ECLNet能准确分割不规则肿瘤轮廓（第二行）和复杂纹理区域（第三行），而对比方法易产生过度平滑或碎片化结果。

Conclusion
该研究首次将3D混合架构应用于胸腺瘤分割，通过轻量自注意力机制与高效卷积的协同，突破传统方法对多变肿瘤形态的建模局限。临床价值在于为胸腺瘤术前规划提供自动化工具，其模块化设计亦可拓展至其他医学图像分析任务。作者Lei Zheng等强调，未来将探索动态分辨率策略以进一步优化计算效率。