基于分割-注意力网络(S3 DNet)的超声图像自动诊断子宫腺肌症研究

为解决子宫腺肌症（Adenomyosis）超声诊断中受子宫肌瘤干扰、准确率不足的问题，浙江大学医学院附属妇产科医院团队提出新型分割-注意力网络S3 DNet。该模型通过nnU-Net精准分割子宫体、结合CBAM注意力机制与预训练网络，实现混合病灶（腺肌症合并肌瘤）的高精度诊断（准确率92%），为临床提供可靠AI辅助工具。

　　

子宫腺肌症是一种困扰育龄女性的常见妇科疾病，其典型特征是子宫内膜组织异常侵入子宫肌层，引发痛经、异常子宫出血甚至不孕。尽管超声检查因其无创、低成本被推荐为首选诊断手段，但临床面临三大痛点：一是子宫肌瘤等共存病变会干扰超声影像特征，导致漏诊率高达50%；二是传统诊断高度依赖医师经验，不同医疗机构间诊断差异显著；三是现有AI模型多在单一病灶数据集训练，面对复杂临床场景时性能骤降。

针对这些挑战，浙江大学医学院附属妇产科医院团队在《Biomedical Signal Processing and Control》发表创新研究，提出名为S³
DNet的分割-注意力融合网络。该研究首次构建包含腺肌症单发病灶、合并子宫肌瘤病灶及正常样本的多类别超声影像数据集，通过四大技术突破实现精准诊断：1）采用nnU-Net自动分割子宫体区域，消除周边组织干扰；2）集成预训练ResNet与CBAM（Convolutional Block Attention Module）注意力机制，强化特征提取能力；3）设计三图像联合输入的WOWA（Win-One-Win-All）投票策略提升鲁棒性；4）利用跨数据集预训练解决医学图像样本稀缺问题。

模型描述
S³
DNet采用级联式架构：首先通过nnU-Net从原始超声图像中分割出子宫体区域，消除文本标记和其他器官的干扰；随后采用嵌入CBAM模块的ResNet网络提取空间-通道双维度特征，其中空间注意力聚焦病灶区域，通道注意力优化特征权重；最终基于三张切面的独立预测结果，按WOWA规则（任一图像阳性即判为阳性）输出诊断结论。

实验与评估
在包含412例混合病灶的测试集上，S³
DNet实现准确率92%、F1-score 0.91，较传统A²
DNet模型提升8%。特别在腺肌症合并肌瘤组，召回率（Recall）达89.7%，证明其抗干扰能力。消融实验显示，单独移除CBAM模块会导致特异性下降12%，而去除预训练则使小样本场景下准确率降低15%。

分析与讨论
研究揭示两个关键发现：一是子宫体区域分割使模型注意力集中于肌层异常信号，避免被肌瘤的高回声特征误导；二是跨数据集预训练的ResNet骨干网络能有效捕捉腺肌症特有的"肌层条纹状低回声"等微观特征，这些特征在常规图像增强中难以凸显。

结论与意义
该研究首次实现腺肌症与子宫肌瘤的影像学鉴别诊断，其创新点在于：1）提出病灶区域先分割后诊断的范式，可推广至其他共存疾病检测；2）验证了注意力机制在超声影像分析中的普适性价值；3）构建的混合病灶数据集填补了该领域空白。临床应用中，S³
DNet可降低超声医师工作负荷，尤其有助于基层医疗机构提升诊断一致性。未来研究可探索多模态（如结合MRI）框架以进一步提高特异性。

（注：全文数据及方法均引自原文，模型简称S³
DNet、A²
DNet等均保留原始标注格式，技术术语如CBAM、nnU-Net等在首次出现时标注英文全称）