LA-Seg：基于解耦正弦图模式引导Transformer的有限角度CT病灶分割方法

研究人员针对有限角度计算机断层扫描(LACT)中因数据不完整导致的伪影问题，提出了一种基于正弦图域的新型分割模型LA-Seg。该研究通过整合辅助重建任务和对比异常特征损失，利用Transformer捕捉正弦图的时空特征，在KiTS23等数据集上显著提升了病灶分割的Dice相似系数(DSC)，为临床快速诊断提供了创新解决方案。

　　

在医学影像领域，有限角度计算机断层扫描(LACT)因其快速扫描和低辐射剂量优势，正逐步应用于术中成像和乳腺检查等临床场景。然而，投影数据的缺失导致重建图像出现严重伪影，使得现有分割模型如SegVol的DSC值在30°扫描角度下急剧下降。更棘手的是，传统重建方法如DiffusionMBIR虽能改善视觉效果，却难以恢复病灶特异性信息，形成"图像质量提升但诊断价值有限"的困境。

韩国全南国立大学(Chonnam National University)的研究团队另辟蹊径，将目光投向CT成像链前端的正弦图域。受视频帧预测模型启发，Jae Hyun Yoon等人开发了LA-Seg模型，创新性地将正弦图视为时空序列数据。该模型通过空间Transformer捕捉投影特异性结构，利用时序Transformer解析角度依赖关系，并引入解耦模式模块重建缺失区域。研究还采用扩散修复技术生成配对数据，设计对比异常特征损失增强病灶鉴别能力。相关成果发表于《Computers in Biology and Medicine》，为LACT条件下的精准医疗提供了新范式。

关键技术包括：1)基于投影块化的时空嵌入方法处理正弦图序列；2)解耦模式Transformer模块利用先验正弦曲线特征重建缺失区域；3)结合扩散模型的病灶掩蔽-修复数据增强技术；4)对比损失函数优化特征空间分布。实验采用KiTS23、CT-ICH和LIDC-IDRI三个公开数据集验证性能。

【医学图像分割现状】
现有研究多聚焦完整角度CT的分割，CNN架构如Sharp U-Net虽能提取区域特征，但难以建模LACT数据的全局依赖关系。Transformer模型虽在自然图像表现优异，却未充分考虑正弦图的连续正弦模式特性。

【方法概述】
LA-Seg创新性地将辅助重建任务与分割目标耦合，通过双分支架构同步优化。空间Transformer分析单帧投影特征，时序Transformer建模角度间关联，解耦表示模块将特征分解为内容编码和模式编码，利用正弦先验指导缺失区域重建。

【实验结果】
在KiTS23数据集上，LA-Seg在30°扫描条件下DSC达0.812，显著优于SegVol的0.563。消融实验证实对比损失使异常特征区分度提升37%，解耦模块使重建误差降低29%。跨数据集测试显示模型对颅内出血和肺结节同样有效。

【讨论与展望】
该研究首次证明直接处理正弦图可规避重建伪影的信息损失，时空建模策略将处理延迟控制在临床可接受范围。局限在于当前使用合成数据，未来需在真实C-arm系统验证。学者建议探索动态器官的适应性改进，并扩展至其他模态如数字乳腺体层合成。

这项突破性工作重新定义了医学影像分析流程，将诊断关口前移至原始数据阶段，其"特征修复优于图像修复"的核心思想，为突破医学成像物理限制提供了新理论框架。模型开源部署策略更利于临床转化，有望推动精准医疗在应急场景的应用落地。