TDGU-Net：基于CNN-Transformer混合架构的颅内动脉瘤精准分割模型

为解决颅内动脉瘤形态多样、边界模糊导致的自动分割难题，研究人员开发了融合CNN与Transformer的TDGU-Net模型。该模型通过多尺度特征融合模块和注意力门机制(Attention Gate)，在Large IA和ADAM数据集上分别达到76.92% Dice系数和79.65%灵敏度，为临床精准诊断提供了高效AI工具。

　　

颅内动脉瘤(Intracranial Aneurysm)作为致命的脑血管病变，其精准分割对早期诊疗至关重要。针对传统方法难以应对瘤体形态异质性、边界模糊及血管结构干扰等挑战，TDGU-Net创新性地将卷积神经网络(CNN)的局部特征提取优势与Transformer的全局建模能力相结合。模型通过多尺度特征融合模块捕获不同分辨率下的关键信息，并引入注意力门(Attention Gate)机制强化病灶区域定位。在Large IA Segmentation数据集上的测试显示，其Dice系数达76.92%，灵敏度79.65%，后续在MICCAI 2020 ADAM数据集中的跨数据集验证进一步证实了模型的强适应性。该技术为动脉瘤自动化诊断提供了新范式，对提升临床决策效率和患者预后具有重要价值。