基于步进边缘与边缘损失增强的Transformer模型在膝关节超声图像分割中的应用研究

针对膝关节骨关节炎(KOA)超声图像边界模糊、形态不规则导致的自动分割难题，研究团队提出集成步进边缘模块(SEM)和边缘损失项的IELSEMT模型。该模型通过全局-局部分支的SEM融合增强边缘特征提取，结合加权交叉熵与平均绝对误差(MAE)的混合损失函数，在膝关节超声数据集上实现IoU提升15%、F1 Score提升5%，训练速度达到MedT模型的2倍，为临床诊断提供高精度自动化分割工具。

　　

膝关节骨关节炎(KOA)作为最常见的退行性关节疾病，严重影响着患者的生活质量。目前临床主要通过超声图像评估病情，但医生需要依赖复杂耗时的手动测量，且由于医学图像普遍存在边界模糊、形态不规则等问题，现有分割方法在边缘精度和形态学差异方面表现不佳。针对这一临床痛点，来自中国的研究团队在《Journal of Radiation Research and Applied Sciences》发表创新研究，提出集成步进边缘与边缘损失增强的Transformer模型(IELSEMT)，为医学图像分割领域带来突破性进展。

研究团队采用PyTorch框架，在RTX3090 GPU平台上对2018-2023年采集的536例KOA患者膝关节超声图像进行实验。关键技术包括：(1)构建步进边缘模块(SEM)，通过Sobel算子提取水平/垂直边缘特征并融入全局-局部分支；(2)设计含MAE边缘损失的混合损失函数(λ=0.5)；(3)采用轴向注意力机制降低计算复杂度；(4)通过5折交叉验证评估模型鲁棒性。

研究结果显示：在"4.3.1 不同主干网络的评估"中，IELSEMT的IoU达到0.8613，较卷积基线(Unet3+)提升21.91%，比MedT基准模型提高4.05%。"4.3.2 消融实验"证实，单独使用SEM(ISEMT)或边缘损失(IELMT)分别可获得0.8414和0.8456的F1 Score，而二者结合的IELSEMT产生协同效应，边缘形态学误差降低至0.1047cm。"4.3.3 临床验证"表明，该模型在面积测量精度(93.79%)和距离精度(93.85%)上均优于现有方法，且处理512×512图像仅需0.2秒，满足实时超声诊断需求。

这项研究的创新性体现在三个方面：首先，SEM模块通过Sobel算子直接注入边缘特征，避免了传统Transformer在降采样过程中的信息丢失；其次，边缘损失项的引入使模型训练速度提升至MedT的2倍；最后，该方法无需大规模数据集预训练，在仅420张训练图像的小样本条件下仍保持优异性能。研究团队进一步在公开数据集MoNuSeg上验证了模型的泛化能力，为医学图像分割提供了新的技术范式。未来工作将探索该框架在三维超声和MRI/CT等多模态影像中的应用潜力，推动智能辅助诊断系统的临床转化。