基于图结构与深度自编码聚类的脊柱图像无监督分割方法ECGSNet及其在临床诊断中的应用

针对脊柱图像标注数据稀缺导致的监督学习性能受限问题，研究人员提出融合目标检测与无监督分割的ECGSNet框架。该模型通过ROI检测器初始化、深度自编码聚类（固定通道策略降参）和图注意力边界调整三阶段协同，在MRISpine和脑肿瘤数据集上实现全自动精准分割，为临床脊柱疾病诊断提供新范式。

　　

脊柱疾病诊断高度依赖精确的椎体和椎间盘分割，但传统监督学习方法如U-Net、FCN等面临两大瓶颈：一是需要大量人工标注数据，而医学图像标注成本极高；二是模型参数量庞大导致计算资源消耗剧增。这些问题严重制约了临床应用的普及性。针对这一挑战，来自常州国际科技合作项目团队的研究人员创新性地提出ECGSNet框架，通过将无监督学习与图结构理论相结合，实现了无需标注数据的端到端脊柱图像分割，相关成果发表于《Biomedical Signal Processing and Control》。

该研究采用三大核心技术：1）预训练ROI检测器完成目标区域定位；2）深度自编码聚类网络（采用固定通道策略减少60%参数）通过重建损失和聚类损失实现粗分割；3）基于图注意力机制(GAT)的边界调整网络，利用粗分割边缘像素构建图结构，综合节点特征和边特征进行精细化分割。实验数据来自CSIG竞赛的MRISpine数据集（含215例T2加权矢状面MRI）及脑肿瘤数据集。

研究结果显示：在初始化阶段，预训练检测器准确锁定椎体及椎间盘区域；粗分割阶段通过固定通道策略使参数量降至传统方法的1/3，同时保持Dice系数0.89的精度；细分割阶段图网络将边界分割误差降低22%，显著提升小结构识别能力。跨数据集测试表明，该方法在脑肿瘤分割任务中同样保持优异性能，验证了强泛化能力。

讨论部分强调，ECGSNet的创新性体现在三方面：首先，将复杂分割任务解耦为"粗-精"两阶段流程，大幅降低算法复杂度；其次，固定通道策略突破传统CNN通道数递增的设计范式，实现参数量级压缩；最后，首次将图神经网络(GNN)引入脊柱分割领域，通过像素级图结构建模解决边界模糊问题。临床价值在于：1）摆脱对标注数据的依赖，使算法可快速部署至新影像设备；2）模型轻量化适合基层医院应用。未来可扩展至CT、X光等多模态影像分析，为智能诊疗系统开发提供新思路。