D-S-Net：基于双阶段策略的肺癌CT图像肿瘤体积高精度分割方法

《BMC Cancer》：D-S-Net: an efficient dual-stage strategy for high-precision segmentation of gross tumor volumes in lung cancer CT images

这篇综述创新性地提出D-S-Net模型，通过目标检测（D-Net）与改进U-Net（S-Net）的双阶段策略，结合空间注意力机制和混合损失函数（CLoss），显著提升肺癌CT图像中肿瘤体积（GTV）分割精度（Dice系数达78.52%），为精准放疗（SBRT）和手术规划提供高效解决方案。

　　

Abstract

肺癌作为全球高发恶性肿瘤，其放疗和手术规划依赖肿瘤体积（GTV）的精准勾画。传统手动分割存在主观性强、效率低等问题，而现有自动分割模型对小肿瘤或边界模糊区域效果有限。D-S-Net通过双阶段设计解决这一难题：第一阶段采用简化检测网络（D-Net）定位候选区域，减少512×512高分辨率CT图像的计算负担；第二阶段引入改进U-Net（S-Net），集成空间注意力机制和混合损失函数（CLoss，含二元交叉熵和Dice损失），有效应对类别不平衡问题。实验显示，D-S-Net在肺癌数据集上Dice系数达78.52%，较SwinU-Net提升5.49%，并在肝癌数据集（HCC）中达到86.56%的优异性能。

Introduction

肺癌占全球癌症死亡率的25%，中国发病率和死亡率均居首位。立体定向放射治疗（SBRT）需精确划定GTV以制定临床靶区（CTV）和计划靶区（PTV）。传统手动勾画存在观察者间差异，而现有CNN模型受限于小肿瘤占比低、呼吸运动伪影等问题。D-S-Net的创新性在于：1）通过目标检测预筛选区域，将输入尺寸从512×512缩减至160×224；2）在分割阶段采用注意力机制优化多尺度特征融合，结合CLoss平衡像素级分类。

Methodology

D-S-Net架构：

1. 1.

   检测阶段：双层级CNN生成包含所有GTV的最小外接矩形框，坐标标准化为2⁵倍数。

2. 2.

   分割阶段：改进U-Net（AU-Net）包含：

   • •

     编码器：5个8×8卷积单元，步长2替代池化以保留细节。

   • •

     解码器：对称结构，通过注意力模块（Att Block）融合深浅层特征，解决语义鸿沟。

   • •

     损失函数：CLoss（α=0.9 BCE + 0.1 Dice）提升小目标敏感性。

训练细节：NVIDIA RTX 3080ti GPU，Adam优化器（初始学习率10^-3），200轮训练耗时3小时。

Results

1. 1.

   性能对比：D-S-Net在肺癌数据集Dice系数78.52%，灵敏度79.78%，显著优于U-Net（48.79%）和SwinU-Net（73.03%）；肝癌数据集Dice达86.56%，HD95距离仅10.55。

2. 2.

   计算效率：FLOPs仅14.02G，参数42.48M，较UNet++（800.47G）更轻量。

3. 3.

   消融实验：检测阶段（D）提升Dice 19.66%，Att模块进一步优化边界识别。

Discussion

D-S-Net优势包括：1）双阶段策略降低计算复杂度；2）Att模块优于SE、CAG等机制，精准捕捉小肿瘤纹理；3）CLoss平衡梯度稳定性与敏感性。局限性在于单中心数据泛化性不足，未来需扩展多中心验证及3D/4D影像应用。

Conclusion

D-S-Net为肺癌GTV分割提供高效解决方案，其双阶段设计和注意力机制显著提升精度与效率，具备临床转化潜力。未来工作将聚焦呼吸运动补偿和多模态数据融合。