基于SE-ATT-YOLO深度学习算法的超声呼吸运动补偿系统在精准放疗中的应用研究

针对放疗中呼吸运动导致的肿瘤位移问题，台北医学大学医院团队开发了基于改进YOLOv8n的SE-ATT-YOLO深度学习模型，通过挤压激励模块（SE）和空间通道注意力机制实现实时超声图像检测。该模型在膈肌追踪中达到0.88 mAP（平均精度），推理速度50 FPS，显著降低呼吸信号补偿误差（RMSE最低1.667），为无创呼吸运动补偿系统（RMCS）提供了稳定高效的解决方案。

　　

在全球癌症发病率激增的背景下，放疗作为主要治疗手段面临严峻挑战——呼吸运动导致的肿瘤位移可能造成靶区漏照或健康组织损伤。传统解决方案如呼吸门控（respiratory gating）和影像引导放疗（IGRT）存在辐射剂量高、适用性有限等问题，而基于红外摄像头或锥形束CT（CBCT）的方法又面临软组织对比度差、成本高昂等瓶颈。台北医学大学医院团队在《Computers in Biology and Medicine》发表的研究，创新性地将改进版YOLOv8n算法与呼吸运动补偿系统（RMCS）结合，通过超声实时追踪膈肌运动，为这一临床难题提供了突破性解决方案。

研究团队采用经伦理审查（IRB 201902015）的1,400帧膈肌超声图像数据集，通过引入挤压激励模块（Squeeze-and-Excitation, SE）和空间通道注意力机制（ATT），构建了SE-ATT-YOLO模型。关键技术包括：1）基于BoT-Sort算法的实时目标追踪；2）AdamW优化器训练100个epoch；3）多模态呼吸信号（基线漂移、正弦波等）验证系统稳定性。

研究结果

1. 模型性能评估：SE-ATT-YOLO在640像素输入尺寸下达到0.88 mAP₅₀，超越原YOLOv8n模型（0.85）。B类（膈肌）检测精确度0.8、召回率近1.0，验证损失曲线显示优异泛化能力。
2. 实时性表现：推理速度达50帧/秒（FPS），满足临床实时性需求。
3. 误差分析：补偿后呼吸信号的RMSE值显著降低，其中慢呼吸信号误差仅1.667，优于基线漂移（4.342）和正弦波（3.105）。

讨论与意义
该研究首次将通道重校准与空间注意力机制融入YOLO框架，有效解决了超声图像中斑点噪声（speckle noise）导致的特征点漂移问题。相较于传统方法如3D卷积神经网络（处理CT需0.58秒），本系统实现了毫秒级响应。临床价值体现在三方面：1）无创性避免额外辐射；2）通过膈肌运动线性关联（SI/AP方向）间接追踪肿瘤；3）为无法接受Cyberknife Synchrony治疗的患者提供替代方案。未来可结合Channel-UNet的肿瘤分割技术，进一步优化临床靶区（CTV）勾画效率。

研究获台湾科技部（NSTC112-2221-E-011-026-MY3）资助，由Ho-Chiao Chuang教授团队完成，标志着AI在精准放疗领域从辅助诊断向实时治疗控制的跨越。这种低成本、高精度的技术路径，尤其适用于医疗资源匮乏地区，为应对全球癌症负担增长提供了可推广的解决方案。