MA-Net：基于多注意力机制的各向异性前列腺磁共振图像分割网络

前列腺癌(PCa)是美国男性最常见的恶性肿瘤，其精准诊断依赖磁共振(MR)图像的前列腺分割。针对传统方法在分辨率各向异性、形态变异大和对比度低的前列腺MR图像中性能受限的问题，研究人员提出多注意力引导的分层U型编解码网络(MA-Net)。该网络通过显式衰减注意力(EDA)模块引入空间距离先验，利用多重跨切片注意力(MCSA)模块学习各向异性特征，并采用全局-局部交互(GLI)模块融合多尺度特征。在三个公开数据集上的实验表明，MA-Net显著提升了分割精度，DSC达92.94%，为临床诊断提供了可靠工具。

　　

前列腺癌作为全球男性第二大常见恶性肿瘤，其精准诊断面临重大挑战。磁共振成像(MRI)凭借优异的软组织对比度成为前列腺检查的金标准，但临床实践中存在三大痛点：首先是前列腺解剖结构边界模糊，尤其在尖端和基底区与周围组织对比度低；其次是常规扫描协议产生的各向异性体素分辨率，导致三维空间信息分布不对称；再者是直肠线圈引入的磁敏感伪影会显著扭曲前列腺基底区边界。这些因素使得传统分割方法难以满足精准诊疗需求，成为制约个性化治疗发展的关键瓶颈。

针对这些挑战，中南大学的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果，提出多注意力分割网络MA-Net。该研究通过三个关键技术突破：1)显式衰减注意力(EDA)模块，采用曼哈顿距离相关的双向空间衰减矩阵增强边界感知；2)多重跨切片注意力(MCSA)模块，通过语义-位置-切片三重注意力动态融合各向异性特征；3)全局-局部交互(GLI)模块，利用视觉词典编码和窗口注意力实现特征互补。研究采用PROMISE12、NCI-ISBI-2013和I2CVB三个公开数据集，通过五折交叉验证进行系统评估。

研究结果部分，"3.2. 显式衰减注意力模块"表明，EDA模块通过分解式二维保持自注意力(ReSA)和多尺度标记聚合前馈网络(MSTA-FFN)，在PROMISE12数据集上将分割交并比(IoU)提升7.42%，达到86.90%。"3.3. 多重跨切片注意力模块"显示，MCSA通过不确定性建模的切片注意力块，使基底区DSC提升3.29%，平均对称距离(ASD)降低1.06mm。"3.4. 全局-局部交互模块"证实，采用K=64个视觉中心的并行架构，在跨中心数据中保持92.66%的平均DSC，显著优于对比方法。

"4.6. 消融研究"系统验证了各模块的协同效应：单独使用EDA、MCSA和GLI模块分别提升DSC 0.83%、1.27%和1.06%，而三模块联合使用产生超加性改善，使整体DSC达到92.94%。特别值得注意的是，在"4.7. 多中心数据集结果"中，MA-Net在6个异构站点数据上展现优异泛化能力，在3T场强联合直肠线圈的Site E数据中DSC达89.93%，较最优对比方法MedSAM提升0.47%。

该研究的创新价值体现在三个方面：首先，EDA模块首次将曼哈顿距离先验引入医学图像分割，通过水平-垂直双向衰减解决各向异性数据的空间建模难题；其次，MCSA模块通过低秩高斯分布模拟切片间不确定性，为2.5D分割提供了新颖的解决方案；最后，GLI模块的视觉词典设计实现了全局语义与局部细节的动态平衡。这些创新使MA-Net在保持32.8M参数量的同时，计算复杂度仅为SwinUNETR的13.9%，为临床部署提供了可行性。

讨论部分指出当前局限主要存在于三个方面：对噪声和低质量图像的敏感性、缺乏多模态数据融合能力，以及小样本泛化性不足。未来研究将聚焦三个方向：基于对比学习的自监督预训练增强模型鲁棒性；设计自适应跨模态融合机制整合T2WI、DWI等多序列信息；构建联邦学习框架实现多中心隐私保护协作。这些改进有望将MA-Net发展为支持临床决策的智能辅助系统，为前列腺癌精准诊疗提供新范式。