基于Transformer感知的多尺度渐进编解码网络与特征重校准的肝脏及肿瘤精准分割方法研究

为解决CT/MRI影像中肝脏与肿瘤因异质性、边界模糊导致的自动分割难题，研究人员提出T-MPEDNet框架，集成渐进编解码结构、动态注意力(DCA)与多尺度空洞卷积(MSAS)，在LiTS等3个数据集上实现肝脏分割DSC达98.3%、肿瘤分割DSC达89.1%，为临床诊疗提供高精度自动化解决方案。

　　

肝脏作为人体最大的腹部器官，其病变的早期诊断和治疗规划高度依赖医学影像的精准分割。然而，计算机断层扫描（CT）和磁共振成像（MRI）中，肝脏与周围组织的低对比度、肿瘤的形态多样性以及扫描设备的参数差异，使得传统分割方法难以应对。尤其对于小肿瘤和模糊边界，现有算法常出现漏检或误分割，严重影响临床决策。尽管U-Net等深度学习模型取得进展，但固定感受野、忽略长程依赖关系等问题仍限制其性能。

印度理工学院印多尔分校的研究团队在《Biomedical Signal Processing and Control》发表研究，提出T-MPEDNet框架。该研究通过渐进式编解码网络整合自适应特征提取模块（AdaFEx）和压缩通道重校准模块（CCR），结合动态上下文注意力（DCA）与多尺度空洞空间模块（MSAS），并创新性引入形态学边界细化（MBR）模块，在LiTS、3DIRCADb和ATLAS数据集上实现突破性性能。

关键技术包括：1）基于LiTS等3个公开数据集的CT/MRI图像预处理；2）渐进编解码架构中嵌入AdaFEx和CCR模块实现特征自适应；3）DCA模块融合动态卷积与多头注意力捕捉全局特征；4）MSAS模块通过不同膨胀率的并行空洞卷积提取多尺度特征；5）MBR模块利用形态学操作优化边界分割。

渐进特征编解码器：通过分层特征传递与跨尺度跳跃连接，在编码阶段逐步抽象语义信息，解码阶段结合CCR模块重校准通道权重，使肝脏DSC提升至97.6%（LiTS）。
动态上下文注意力：DCA模块通过动态卷积核调整注意力范围，有效抑制背景噪声，肿瘤分割IoU提高9.3%优于传统Transformer。
多尺度空洞空间：MSAS模块采用膨胀率2/4/6的空洞卷积并联，对小肿瘤（<2cm）的检出率提升至85.7%（ATLAS）。
形态学边界细化：MBR模块通过腐蚀-膨胀操作修正边缘，使肿瘤边界Dice系数相对提升11.2%。

该研究首次将渐进式特征传递、通道重校准与形态学后处理相结合，在保持空间一致性的同时增强小肿瘤敏感性。实验表明，T-MPEDNet在17种对比方法中全面领先，尤其对3DIRCADb数据集中的多发性肿瘤（3-5个/病例）分割误差降低62%。未来可扩展至3D体积数据分析和实时手术导航系统，为肝癌精准治疗提供新范式。