基于Roberts边缘增强的三维轻量化网络（LR-Net）在脑肿瘤分割中的高效精准应用研究

为解决医疗资源分布不均背景下脑肿瘤分割诊断的精准性与计算资源消耗间的矛盾，北京理工大学团队创新性提出结合Roberts边缘增强的轻量化网络LR-Net。该研究通过3D空间移位卷积（SSCPS）模块扩大感受野并降低参数量，结合通道注意力与Roberts算子（CAREE）增强模糊边界敏感性。在BraTS系列数据集上实现最高0.881的Dice系数，参数量仅4.72M（仅为UNETR的3.03%），为资源受限医疗机构提供了高效可靠的计算机辅助诊断（CAD）方案。

　　

在医疗资源分布不均的现实背景下，脑肿瘤的精准分割对诊断和治疗至关重要。尽管卷积神经网络（CNN）在医学图像处理中表现出色，但其有限的感受野难以捕捉全局上下文信息。而结合Transformer的混合架构虽能平衡局部细节与全局特征，却因高昂的计算成本和参数量（如UNETR达155.64M）难以在基层医疗机构普及。这一矛盾催生了北京理工大学Qingxu Meng团队的研究——开发一种既能保持高精度又极度轻量化的脑肿瘤分割网络。

研究团队提出的LR-Net创新性地融合了两大核心技术：3D空间移位卷积与像素混洗模块（SSCPS）通过低参数量的空间移位操作模拟5×5×5大感受野，配合动态通道扩张机制（CDS）维持特征聚合深度；通道注意力与Roberts边缘增强模块（CAREE）则利用经典Roberts算子强化模糊边界特征，其噪声敏感性在低噪声的MRI数据中反而成为优势。实验采用BraTS2019-2021三个公开数据集，以8:1:1划分训练集与测试集，通过Dice系数、Hausdorff距离（HD）等指标评估性能。

研究结果显示，LR-Net在BraTS2020上以4.72M参数量实现0.881的Dice均值，显著优于UNETR（155.64M）和UNet3D（16.32M）。特别值得注意的是，在BraTS2021的小肿瘤样本（如ID 1628/1637）检测中，LR-Net是唯一未出现漏诊的模型。消融实验证实：当通道扩张系数（CDS）设为2时性能最优，而Roberts算子的表现超越Sobel/Laplace等传统算子。

这项研究的突破性在于首次将2D移位卷积拓展至3D医学图像领域，并通过动态通道分配解决空间信息稀释问题。其开源的轻量化特性（代码发布于GitHub）为资源匮乏地区的脑肿瘤诊断提供了可行性方案。未来研究可进一步优化对小目标的检测能力，团队已着手开发集成LR-Net的可视化软件，推动临床落地应用。论文发表于《Scientific Reports》，为医学人工智能的公平可及性提供了重要范式。