ResSAXU-Net融合深度残差与通道注意力机制的MRI多模态脑肿瘤精准分割新方法

本研究针对U-Net在脑肿瘤MRI分割中存在的下采样特征提取不足、小肿瘤信息丢失等问题，创新性提出ResSAXU-Net模型。通过整合ResNet50深度残差网络与SAXNet通道注意力机制，结合混合损失函数（Dice loss+交叉熵），在BraTS2018/2019数据集上实现全肿瘤(WT)、肿瘤核心(TC)和增强肿瘤(ET)分割的Dice系数分别达0.9597、0.9289和0.9012，较传统U-Net提升8.10%-17.33%，为临床精准诊疗提供AI新范式。

　　

脑肿瘤精准分割的AI突围战
胶质瘤作为最具侵袭性的脑肿瘤，其诊疗高度依赖MRI影像分析。然而传统人工勾画存在效率低、主观性强等问题，而现有U-Net等深度学习模型在分割小肿瘤时面临特征丢失、空间信息衰减等挑战。尤其当肿瘤体积仅占全脑0.1%时，常规下采样操作可能导致关键特征"湮灭"，直接影响手术方案制定和预后评估。

江西中医药大学计算机学院的研究团队在《Scientific Reports》发表的研究中，提出ResSAXU-Net创新架构。该工作通过三大突破实现技术革新：在编码阶段引入ResNet50的"瓶颈结构"（图1b）解决梯度消失问题，解码阶段集成SAXNet通道注意力机制（图2）动态加权关键特征，并首创PixelShuffle上采样技术（图3）消除棋盘效应。研究采用BraTS2018/2019数据集（含285例HGG和76例LGG病例），通过5折交叉验证证明其优越性。

关键技术方法
研究采用多模态MRI（FLAIR/T1/T1ce/T2）数据，通过160×160像素裁剪和标准化预处理。模型架构（图4）包含4级下采样（采用ResNet50残差块）和4级上采样（结合SAXNet模块），使用Adam优化器（学习率0.001）和混合损失函数（α=0.5）。对比实验包含U-Net、SEU-Net等基线模型，评估指标采用Dice相似系数(CDS)、Hausdorff距离(HFD)等。

核心研究发现

1. 残差网络增强特征提取
   通过ResNet50的跳跃连接（图1a），模型在3×3卷积层间建立恒等映射，使56×56特征图计算量降低16.98倍。实验显示该设计使TC分割CDS提升至0.9289，较基线U-Net提高15.88%（p<2×10^-27）。

2. 通道注意力机制优化
   SAXNet模块（公式1-3）通过全局平均池化生成通道注意力向量，使ET分割的敏感度(S1)达0.9014。特征图可视化显示其对水肿带(ED)边界的响应强度提升37%。

3. 像素洗牌技术突破
   PixelShuffle操作（公式4）将低分辨率特征图(qV×qU)重构为高分辨率输出，使WT分割的HFD降至2.1618mm，显著优于传统反卷积（p=5.25×10^-58）。

4. 混合损失函数优势
   Dice损失（公式6）与交叉熵损失（公式7）的加权组合（α=0.5）有效缓解类别不平衡，使LGG病例的CDS波动范围缩小至±0.03。

研究启示与展望
该研究证实ResSAXU-Net在脑肿瘤子区域分割中的显著优势：通过残差连接保留小肿瘤特征，利用通道注意力聚焦关键病理区域，结合PixelShuffle提升边界精度。临床意义在于：① 为<5mm的微小结节提供95.97%的分割准确率；② 混合损失函数使模型在HGG/LGG数据不平衡场景下保持稳定。

局限性在于当前为2D架构，未来可拓展3D卷积以利用体积信息。与ACTransU-Net等最新模型相比，其在WT分割的CDS领先4.57%，但计算效率仍有优化空间。这项工作为AI辅助神经肿瘤诊疗树立了新基准，其模块化设计也可迁移至其他医学图像分析领域。