基于特征优化注意力U-Net的肝脏精准分割方法研究

为解决肝脏CT图像分割中存在的语义间隙、长程依赖缺失及高频细节利用不足等问题，研究人员提出特征优化注意力U-Net（FRAttU-Net），通过高频低频特征融合增强模块（HLF3 EM）和大津密度优化模块（ODRM）实现多层级特征整合与密度感知。实验表明该模型在LiTS17等数据集上达到最优性能，为肝癌诊断与手术规划提供精准影像支持。

　　

肝脏作为人体最大的代谢器官，其病变的早期诊断对临床治疗至关重要。然而，传统肝脏CT图像分割方法面临三大难题：器官边界模糊、密度分布不均导致的语义信息丢失，以及相邻组织密度相似造成的误分割。尽管U-Net等深度学习模型已取得进展，但编码器与解码器间的语义鸿沟、浅层高频特征利用不足等问题仍制约着分割精度。

针对这些挑战，哈尔滨理工大学的研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出创新性的FRAttU-Net架构。该模型通过三个核心技术突破：1）跨层级高频低频特征融合模块（HLF³
EM）整合边缘线索与多尺度特征；2）输出层大津密度优化模块（ODRM）强化密度异质性区域识别；3）密集特征-注意力关联机制构建长程依赖。研究采用LiTS17、3Dircadb等公开CT数据集验证性能，通过消融实验证实各模块的有效性。

【关键方法】
研究团队构建了包含编码器-解码器结构的U型网络框架，在跳跃连接处嵌入HLF³
EM模块，通过双分支结构分别处理高频（边缘细节）和低频（语义轮廓）特征，采用注意力引导的交叉融合策略。ODRM模块则基于Otsu算法动态校准密度分布特征。实验使用Dice系数等指标评估，对比UNet 3+、FAT-Net等主流模型。

【研究结果】

1. 多数据集验证：在LiTS17测试集上达到96.7% Dice值，较基线模型提升3.2%，尤其在血管密集区域表现突出。
2. 消融实验：HLF³
   EM使边界分割错误率降低41%，ODRM显著改善密度不均区域的召回率。
3. 计算效率：参数量仅增加8.3%的情况下，推理速度保持实时性（0.15秒/切片）。

【结论与意义】
该研究通过特征优化与注意力协同机制，首次实现编码器浅层高频特征与解码器深层语义的有机统一。临床价值体现在三方面：1）为肝癌射频消融等精准治疗提供亚毫米级分割结果；2）ODRM模块可扩展至其他密度敏感器官（如肺结节）分割；3）开源代码促进医疗AI社区发展。未来工作将探索Transformer与HLF³
EM的异构融合，进一步提升小样本泛化能力。