MMPU-Net：基于混合卷积和注意力机制的胰腺及胰腺肿瘤CT图像高效分割网络

推荐：针对胰腺及胰腺肿瘤CT图像分割中空间信息丢失、小结构特征提取不足等问题，研究人员提出参数高效的MMPU-Net网络。通过卷积步长替代下采样、MM-block与Point-block增强特征提取、混合卷积优化精度与效率，在NIH和MSD数据集上DSC分别达89.53%和88.60%，为临床辅助诊断提供轻量化解决方案。

　　

胰腺作为人体重要的消化和内分泌器官，其解剖结构复杂且变异度高，在CT影像中常因与周围组织对比度低、边界模糊而难以准确分割。更棘手的是，胰腺肿瘤往往体积小、形态不规则，且易被周围脏器遮挡，使得传统分割方法在临床应用中面临巨大挑战。当前主流的U-Net架构虽广泛应用于医学图像分割，但其池化操作导致的空间信息丢失、对小目标特征捕捉不足等问题，严重制约了胰腺及肿瘤分割的精度。

针对这些技术瓶颈，研究人员创新性地提出了MMPU-Net网络架构。这项发表在《Biomedical Signal Processing and Control》的研究，通过三大核心技术突破实现了性能飞跃：首先采用卷积步长替代传统下采样，在降低分辨率的同时保留更多空间细节；其次在瓶颈层设计MM-block（Mean-Max Pooling Block）融合均值与最大池化特征，配合Point-block进行通道级特征聚合，形成轻量级注意力机制；最后创新性地在编码器使用深度可分离卷积（Depthwise Convolution），解码器保留标准2D卷积，实现精度与效率的完美平衡。

关键技术方法上，研究团队基于NIH（含5188张图像）和MSD（含7775张图像）两大公开胰腺CT数据集，采用4折交叉验证策略。网络以MobileNetV2为编码器骨干，通过外部轮廓分割预处理后，输入尺寸调整为224×224（粗分割阶段）和64×64（精分割阶段）。训练过程采用Adam优化器，结合动态学习率调整和早停机制，在NVIDIA Titan V GPU上仅需34.4分钟即可完成训练，显著优于同类模型。

研究结果部分展现出多项重要发现：

1. 架构有效性验证：消融实验表明，完整配置的MMPU-Net在NIH数据集上DSC达89.53%，较基线提升6.18%，参数仅2.23M。混合卷积设计使模型在MSD肿瘤分割任务中DSC提升至60.88%，较SOTA方法提高1.72%。
2. 注意力机制创新：MM-block通过并联均值池化（捕捉全局特征）和最大池化（突出边缘特征），经3×3卷积融合后生成空间注意力图。可视化分析显示，该模块能有效抑制背景干扰，使肿瘤区域激活强度提升47%。
3. 跨数据集性能：在MSD胰腺分割任务中，模型DSC达88.60%（IOU 79.90%），特异性95.71%表明其极低的假阳性率。特别在肿瘤分割方面，69.05%的精确度和61.11%的召回率，验证了对微小病灶的捕捉能力。
4. 效率对比：与参数量达25.82M的AttEnhance等模型相比，MMPU-Net仅用8.6%的参数即实现DSC超越，推理速度提升3.2倍。

讨论部分强调了该研究的临床转化价值：MMPU-Net的轻量化特性使其适合部署在资源有限的基层医疗机构，可作为计算机辅助诊断（CAD）系统的核心模块。通过两阶段分割流程（先定位后精修），模型显著降低了放射科医师的工作负荷，尤其对偏远地区医疗资源匮乏的场景具有重要应用前景。未来研究可向三维卷积扩展，并探索跨模态迁移学习以进一步提升泛化能力。这项工作在医学图像分析领域树立了精度-效率协同优化的新标杆，为小器官分割任务提供了可借鉴的技术框架。