融合残差与SE注意力机制的3D U-Net模型在脑肿瘤多模态MRI分割中的性能提升研究

推荐：本研究针对脑肿瘤MRI图像分割中特征提取和定位精度不足的问题，提出了一种新型混合模型dSEAT-UNet。该模型结合3D ResNet编码器、SE注意力机制和Gabor滤波器，在BraTS 2020数据集上获得WT/TC/ET的Dice分数达0.881/0.846/0.819，显著提升了小肿瘤区域的识别精度，为临床诊断提供了可靠工具。

　　

脑肿瘤是威胁人类健康的重大疾病，其中胶质瘤因其异质性和复杂结构使得精确分割成为临床难题。传统U-Net模型在医学图像分割中虽表现优异，但存在特征提取不充分、小肿瘤区域识别率低等问题。针对这些挑战，明志科技大学（Ming Chi University of Technology）生物医学工程与医疗设备创新技术国际博士项目的研究团队在《CMES - Computer Modeling in Engineering and Sciences》发表研究，提出了一种融合残差连接与注意力机制的新型3D分割模型。

研究团队采用多模态MRI数据（T1/T1CE/T2/FLAIR），通过Gabor滤波器增强纹理特征，构建了包含3D ResNet编码器和U-Net解码器的混合架构。关键技术包括：1）使用残差块缓解梯度消失；2）在跳跃连接中嵌入挤压激励（SE）注意力机制；3）结合Dice损失和Focal损失解决类别不平衡；4）在BraTS 2020/2021数据集上进行交叉验证。

研究结果显示：

1. 模型性能：在BraTS 2020上获得WT/TC/ET的Dice分数分别为0.881/0.846/0.819，TC和ET分割精度较TransBTS模型提升2.9%。

2. 注意力机制作用：消融实验表明SE模块使ET区域分割精度提升3.5%，显著改善小肿瘤识别。

3. 预处理优化：Gabor滤波使整体Dice分数提升2.5-3.0%，有效增强纹理特征表达。

4. 跨数据集验证：在BraTS 2021上保持稳定性能（WT/TC/ET Dice:0.887/0.856/0.824），证实模型泛化能力。

该研究的创新性在于首次将ResNet编码器、SE注意力与Gabor滤波整合到3D U-Net框架中，通过残差连接保障梯度流动，利用SE机制动态校准特征响应，结合传统图像处理与现代深度学习优势。尽管在NET区域分割和计算效率上仍有改进空间，但该模型为临床提供了自动化、高精度的脑肿瘤分析工具，对手术规划和疗效评估具有重要意义。未来工作将聚焦于模型轻量化设计和多中心临床验证，以推动其实际应用。