基于双解码器Swin Transformer的甲状腺微小乳头状癌超声图像精准分割方法DualSwinUnet++及其在射频消融术中的应用

为解决超声引导下射频消融(RFA)术中甲状腺微小乳头状癌(PTMC)因声学伪影、病灶微小和解剖变异导致的边界识别难题，研究人员提出DualSwinUnet++模型。该创新性双解码器架构通过独立线性投影头和残差信息流机制，将甲状腺腺体特征显式融入PTMC分割，在691例临床数据上实现84.36% Dice评分和0.18秒实时推理速度，为AI辅助精准消融提供新范式。

　　

甲状腺微小乳头状癌(PTMC)作为直径≤1cm的隐匿性肿瘤，其精准诊疗一直是临床难点。虽然超声引导下射频消融(RFA)因其微创优势逐渐成为手术替代方案，但术中实时定位却面临三重挑战：微小病灶在低分辨率B超中边界模糊，消融产生的微气泡造成声学阴影，以及患者局部麻醉下的咽喉运动干扰。更棘手的是，现有AI模型如Swin-Unet存在高达22.8%的假阳性率，且缺乏对甲状腺解剖结构的显式建模，导致分割结果常溢出至腺体外区域。

为突破这些技术瓶颈，研究人员创新性提出DualSwinUnet++模型。该研究首先构建包含691例RFA术中超声图像的临床数据集，通过4×4非重叠分块将图像转化为16维token序列，采用双解码器架构分别处理甲状腺和PTMC分割任务。关键技术包括：1) 独立线性投影头避免梯度干扰；2) 残差信息流通过拼接和线性变换传递甲状腺特征；3) 混合损失函数(α·BCE+(1-α)·DL)优化多任务平衡。在TN3K公共数据集上验证时，模型采用三组Swin-Transformer块与下采样层组合，嵌入维度C保持统一以兼容多中心数据。

研究结果显示，在分割性能方面，DualSwinUnet++在内部测试集上取得71.23% Jaccard指数，较次优模型TRFE-Net提升2.1%，其独创的甲状腺条件解码机制使假阳性率降至14.2%。可视化分析表明，该模型能准确捕捉伴声晕的不规则病灶，如Fig.3所示病例中，对2mm微钙化灶的轮廓贴合度达像素级精度。速度测试显示，786×531分辨率图像的平均处理耗时0.18秒，满足RFA术中实时反馈需求。

通过系统消融实验，研究团队揭示了架构设计的关键影响：移除甲状腺解码器导致Dice评分骤降4.98%，证实解剖先验知识的重要性；采用6条跳跃连接时性能最优，较基线提升6.19% Jaccard评分；而Unet式拼接跳跃连接的效果显著优于加性连接(P<0.01)。在讨论部分，作者指出当前模型对极端声影的鲁棒性仍需提升，建议未来融合时序信息处理视频流数据。

这项发表于《Computers in Biology and Medicine》的研究，首次实现甲状腺解剖约束与Transformer特征的有机融合。其临床价值在于：1) 将PTMC搜索空间限制于腺体内，降低43%的误诊风险；2) 残差信息流设计使模型参数量控制在23.7M，保障了术中部署可行性。正如通讯作者Hyock Ju Kwon强调的，该技术为AI辅助精准消融建立了新标准，其双解码器架构范式可拓展至其他器官特异性病灶分割领域。