基于并行编码器U-Net的PET/MRI多模态宫颈肿瘤自动分割方法研究

本研究针对宫颈癌(CC)肿瘤轮廓手动勾画耗时且存在观察者差异的问题，提出了一种并行编码器U-Net(PEU-Net)模型，通过整合PET/MRI多模态信息实现宫颈肿瘤自动分割。结果显示，PEU-Net在3D体积分割指标DSC3d (0.726±0.204)和HD95 (4.603±4.579 mm)上表现最优，显著优于单模态输入模型。该研究为宫颈癌定量分析和放疗规划提供了高效精准的自动化工具。

　　

宫颈癌(CC)作为全球女性第四大高发恶性肿瘤，其精准诊疗面临重大挑战。传统放疗规划依赖医生手动勾画肿瘤轮廓，不仅耗时费力，还存在高达30%的观察者差异。尽管PET能突出代谢活跃的肿瘤区域，但膀胱的高摄取干扰和部分容积效应限制了其单独使用效果；MRI虽具备优越的软组织对比度，却难以区分肿瘤浸润区域。如何整合PET的功能代谢信息与MRI的解剖结构信息，成为突破宫颈癌自动分割技术瓶颈的关键。

中国医科大学附属盛京医院的研究团队在《Radiation Oncology》发表创新成果，开发了并行编码器U-Net(PEU-Net)模型。该研究纳入165例患者的PET/MRI数据，通过双分支架构分别提取PET和T2WI-MRI特征，并在解码器各层进行动态融合。引入Res2Net模块优化跳跃连接，有效聚合多尺度特征。与U-Net、TransUNet和nnU-Net的对比实验表明，PEU-Net以最小参数量(18.58M)实现最优性能，其3D分割指标DSC_3d
较单模态MRI模型提升28.2%，HD₉₅
误差降低53%。

关键技术方法包括：1) 使用GE Signa PET/MRI扫描仪获取165例患者的多模态影像数据；2) 采用并行双编码器结构处理PET(192×192)和MRI(512×512)异源图像；3) 在跳跃连接嵌入Res2Net模块实现多尺度特征提取；4) 通过DSC和HD₉₅
指标定量评估性能。

【数据集】研究纳入2017-2019年165例CC患者的¹⁸
F-FDG PET/MRI数据，T2WI参数为TR=3918.48-8522.67 ms/TE=74.64-104.58 ms，PET图像经TOF-PSF+OSEM算法重建。所有图像统一至0.703 mm分辨率，由资深放射科医师勾画T2WI上的肿瘤区域作为金标准。

【网络架构】PEU-Net创新性地采用双并行编码器：PET和MRI分支各含4个下采样块，通过Res2Net模块将特征图按通道分为4组进行层级残差连接。解码器通过上采样块逐步融合双模态特征，最终输出512×512的分割概率图。相比传统U-Net直接拼接特征的方式，该设计显著缓解了编码-解码器间的语义鸿沟。

【实验结果】在33例测试集上，PEU-Net展现出全面优势：1) 体积分割指标DSC_3d
达0.726±0.204，显著优于单模态PET(P=0.003)和MRI(P<0.001)模型；2) 在157张含肿瘤切片中，仅出现1例假阴性，假阳性切片数(98)仅为U-Net的53.8%；3) HD₉₅
误差4.603±4.579 mm，较nnU-Net降低68.3%。消融实验证实，移除Res2Net模块会使DSC_3d
下降5.1%。

【讨论】该研究首次验证了PET/MRI多模态融合在CC分割中的协同效应：PET准确定位代谢活跃区，MRI清晰显示解剖边界。PEU-Net通过分离-融合策略，有效解决了传统多通道输入导致的特征混淆问题。案例回顾显示，模型失败主要源于<6 mm的小病灶低摄取(假阴性)和邻近组织纹理相似(假阳性)。值得注意的是，无需额外后处理即可避免膀胱误分割，这得益于T2WI对泌尿生殖区的高分辨力。

研究结论强调，PEU-Net为CC诊疗提供了可靠的自动化工具：其分割结果可直接用于肿瘤分期、疗效评估和放疗规划。未来工作将探索三维卷积处理各向异性数据，并评估配准误差对模型鲁棒性的影响。该成果不仅推动了多模态医学影像分析技术的发展，更为精准肿瘤学实践提供了新范式。