Tcn-Net：一种面向脊柱MRI与X光图像的多分支轻量化分割网络及其在临床诊断中的应用

针对脊柱影像分割中存在的组织边界低对比度、噪声伪影干扰及术后骨钉干扰等难题，研究人员开发了轻量化多尺度三分支分割网络Tcn-Net。该网络通过异构分支结构提取多频特征，结合改进的空洞卷积模块(FASPP)和轻量注意力机制(EA)，在X-ray和MRI数据集上实现了抗干扰的高精度分割，为脊柱侧弯(Cobb角)测量和手术规划提供了高效工具。代码已开源。

　　

脊柱被称为人体的"第二生命线"，其健康状况直接影响神经传导和器官功能。然而，脊柱疾病的影像诊断面临三大挑战：X光图像中椎体边界组织对比度低、噪声伪影干扰严重，以及术后金属骨钉产生的强屏蔽效应。这些问题导致传统分割方法难以准确识别椎体轮廓，尤其影响脊柱侧弯Cobb角的测量精度——这是评估侧弯程度的关键指标，误差可能直接影响手术方案制定。

针对这一临床痛点，来自中国的研究团队在《Biomedical Signal Processing and Control》发表创新成果。研究人员开发了名为Tcn-Net的新型轻量化分割网络，通过三分支架构分别捕获不同频率的椎体特征：高频分支聚焦边缘细节，中频分支提取形态特征，低频分支学习全局上下文。网络采用改进的空洞空间金字塔模块(FASPP)增强多尺度特征捕获能力，配合轻量级上下文感知注意力机制(EA)实现像素级精修。特别设计的特征融合模块(TFM)通过差异化融合策略整合多频信息，在保持模型轻量化的同时（参数量仅2.4M），在含骨钉干扰的X光图像上达到94.7%的Dice系数。

关键技术包括：1）构建异构残差块作为基础单元平衡计算效率与特征表达能力；2）FASPP模块采用阶梯式空洞率组合（1/6/12/18）扩大感受野；3）EA模块通过通道-空间双路注意力实现局部特征增强；4）跨分支特征融合采用加法与串联混合策略。实验使用包含327例脊柱X光（含58例术后病例）和196例MRI的跨模态数据集验证。

【网络架构】
Tcn-Net以3×3卷积层作为输入模块，后续4个阶段分别包含2/3/4/3个异构残差块，各阶段间通过步长2卷积降采样。相比传统U-Net，参数量减少67%但感受野扩大2.8倍。

【抗干扰性能】
在模拟添加高斯噪声（σ=0.15）和金属伪影的数据中，Dice系数仅下降1.2%，显著优于对比方法（平均下降4.5%）。对骨钉区域的误分割率比次优方法降低38%。

【跨模态验证】
在MRI数据集上迁移学习后达到92.3%的Dice系数，证明架构对成像差异的鲁棒性。推理速度达45帧/秒（512×512输入），满足实时需求。

该研究实现了算法精度与临床实用性的平衡：一方面，多频特征分解策略使边缘分割误差降低至0.87mm（较传统方法提升42%），这对Cobb角测量至关重要；另一方面，轻量化设计使模型可在RTX 3060显卡部署，适合基层医院应用。开源代码已集成DICOM标准接口，可直接处理医院PACS系统数据。未来可通过增量学习进一步优化对新型植入物的适应性。