基于图神经网络的U型架构在肿瘤医学图像分割中的突破性应用

为解决Transformer在医学图像分割中难以捕捉复杂肿瘤结构的局限性，上海海洋大学Huimin Xiao团队创新性地提出纯图神经网络(GNN)架构U-GNN。该研究通过多阶相似性图构建(Multi-order Similarity Graph Construction)和节点信息聚合技术，在Synapse和ACDC数据集上实现Dice系数提升6%、Hausdorff距离降低18%的显著效果，为不规则病灶分割提供新范式。

　　

医学影像分析领域长期面临一个关键挑战：如何精准分割具有复杂拓扑结构的肿瘤组织。传统卷积神经网络(CNN)依赖局部感受野，而新兴的Transformer虽能建模全局关系，却将图像强制转换为规则序列，这两种网格化建模方式在应对不规则病灶时都显得力不从心。尤其当遇到医学图像中常见的灰度单调区域（如CT影像的黑白背景），现有方法难以区分纹理相似但病理意义迥异的组织区域。

上海海洋大学Huimin Xiao团队在《Scientific Reports》发表的研究给出了创新解决方案。研究者另辟蹊径，首次将图神经网络(GNN)的拓扑建模优势与经典U-Net架构结合，提出纯GNN构建的U-GNN模型。该架构突破性地将图像特征转化为图节点，通过多阶相似性机制捕捉深层语义关联——不仅比较节点本身特征，还考察其邻域环境相似性，从而有效区分看似相同实则病理不同的组织区域。

研究采用三项核心技术：1) 多尺度U型编解码架构，通过8倍下采样压缩分辨率同时倍增特征维度；2) 零计算成本的多阶相似性图构建，通过动态通道分配实现高阶语义建模；3) 全局-局部并行的节点信息聚合，融合最大差异特征与邻域均值特征。实验采用Synapse多器官CT数据集（30病例/3779图像）和ACDC心脏MRI数据集（100病例），以Dice系数(DSC)和Hausdorff距离(HD)为核心指标。

U-GNN整体结构
编码器-潜在空间-解码器均采用Vision GNN模块堆叠，通过跳跃连接保留空间细节。关键创新在于将传统图像网格转换为图结构：每个4×4图像块作为节点，在局部图（连接空间近邻）和全局图（连接特征相似节点）中并行处理。深层网络通过3阶相似性接收野（SRF）有效识别肿瘤区域，即使其原始特征与健康组织相似。

多阶相似性图构建
提出革命性的相似性计算方式：SRF(i,j)=(m_i
^T
m_j
)/(‖m_i
‖‖m_j
‖)，其中m_i
表示节点i半径r邻域的特征均值。该方法使两个灰度相同的白色节点（分属肿瘤和健康组织）因环境差异而被正确区分，解决了医学图像常见的前景-背景混淆问题。

多阶节点信息聚合
特征更新公式x_i
^l+1
=W·Concat[x_i
^l
, max(x_j
^l
-x_i
^l
), linear(mean(x_j
^l
))]同时保留节点本体特征、最大邻域差异和平均环境特征，通过可学习权重矩阵W实现自适应融合。

实验结果
在Synapse数据集上，U-GNN以84.03% DSC和17.72 HD全面超越TransUnet（77.48%/31.69）和SwinUnet（79.13%/21.55），胰腺分割提升最显著（63.24% vs 56.58%）。ACDC心脏数据集验证中，对心肌(MYO)的分割精度达87.26%，较次优方法提升1.64%。消融实验证实：单独使用多阶信息聚合使DSC提升5.42%，结合图构建后总提升达9.71%。

这项研究开创了GNN在医学图像分割中的全新应用范式。U-GNN首次证明纯图结构网络可超越CNN和Transformer，其多阶相似性机制为处理复杂生物组织结构提供了普适性框架。未来可拓展至更多模态的医学影像分析，其拓扑建模思想对三维器官重建、血管网络解析等任务具有重要启示。研究团队表示将开源代码，推动该技术在精准医疗中的实际应用。