基于多注意力机制优化的U-Net模型在胸部X光和CT扫描中实现精准肺部和感染区域分割

针对医学图像分割中全局上下文与局部细节难以兼顾的难题，研究人员提出融合ECA-Net、SE机制和DANet的增强型残差U-Net架构。实验表明该模型在COVID-QU-Ex数据集上达到97.40%的mIoU和97.84%的Dice系数，显著提升COVID-19肺部病变的自动化分割精度，为临床诊疗提供可靠AI工具。

　　

医学影像诊断领域长期面临分割精度不足的挑战，临床数据显示自动化海马体分割误差率高达18%，放射科误诊率更达10-26%。传统U-Net等卷积神经网络(CNN)因感受野受限，难以同时捕捉肺部CT中细微感染灶与复杂解剖结构的全局关联。针对这一痛点，研究人员开展了一项突破性研究，通过创新性地整合多种注意力机制，显著提升了医学图像分割的准确性。

研究团队构建了名为"注意力残差U-Net"的新型架构，核心创新在于三方面：在编码器嵌入高效通道注意力(ECA-Net)模块，通过轻量级1D卷积实现通道特征重标定；在瓶颈层引入双注意力网络(DANet)，同步建模空间与通道的长程依赖；在跳跃连接处部署注意力门控机制优化特征选择。研究采用Optuna框架进行超参数贝叶斯优化，通过Tree-structured Parzen Estimator(TPE)采样器确定最佳配置。

实验设计方面，团队选用两个权威数据集：包含33,920例胸部X光的COVID-QU-Ex数据集和20例COVID-19患者CT体积的Ma et al.数据集。预处理阶段统一将图像缩放至256×256像素并标准化，严格保持测试集作为未见数据验证泛化能力。评估指标涵盖mIoU、Dice系数、Hausdorff距离(MHD)等多项指标。

主要研究结果包括：在COVID-QU-Ex数据集上，ECA-Attention与DANet组合的配置表现最优，肺部分割mIoU达97.40%，Dice系数97.84%，较基线模型提升1.21个百分点。感染区域分割任务中，该配置取得82.72%的mIoU，超越TransUNet等现有方法。可视化分析显示，Grad-CAM热图精准聚焦于肺部感染区域，证实模型具备良好的可解释性。

在Ma et al. CT数据集上的跨模态验证进一步证实了模型的鲁棒性，肺部分割mIoU保持97.75%的高水平。值得注意的是，ECA-Attention配置仅需18个epoch即完成收敛，训练耗时198分钟，显著优于SE-Attention变体的305分钟，展现出优异的计算效率。

这项发表于《Journal of Radiation Research and Applied Sciences》的研究具有重要临床价值：首先，多注意力机制的协同作用有效解决了医学图像中灰度不均、噪声干扰等固有难题；其次，模型在保持U-Net经典架构优势的基础上，通过残差连接缓解了深层网络梯度消失问题；最重要的是，该技术可无缝集成到现有医疗系统，为肺炎、COVID-19等肺部疾病的早期诊断提供可靠量化工具。

研究同时指出若干待改进方向：当前模型处理3D体积数据时仍面临内存瓶颈；对低质量图像的鲁棒性有待验证；临床部署时需考虑不同医疗机构间的设备差异。未来工作将探索知识蒸馏等轻量化技术，并开展多中心临床试验验证其普适性。这项研究为医学AI领域树立了新标杆，其创新性的注意力机制融合策略为后续研究提供了重要范式。