基于掩码预训练的U-Net超声图像分割方法研究及其在罕见病筛查中的应用

本研究针对超声图像质量低、标注数据稀缺导致的计算机辅助分割性能受限问题，创新性地提出MS-UNet架构与掩码自监督预训练方法。通过随机掩蔽像素的预训练策略，在甲状腺结节(DDTI/TN3k)和胎儿肺(FLUIS/CDHUIS)超声数据上实现Dice分数6-20个百分点的提升，同时模型计算量降低80.3%。该成果为基层医疗中罕见病超声筛查提供了高效解决方案。

　　

超声成像因其无辐射、实时性和低成本等优势，已成为基层医疗和孕产检查的重要工具。然而，超声图像固有的低分辨率、模糊边界等质量问题，加上标注数据稀缺——尤其是罕见病如先天性膈疝(CDH)病例，严重制约了计算机辅助诊断的准确性。传统U-Net模型在CT/MRI图像表现优异，但面对超声图像时，其固定感受野难以捕捉远距离像素关联，且参数量大易导致小样本过拟合。这些痛点使得超声图像分割成为医学AI领域的"硬骨头"。

为解决这一难题，Qi He团队在《Scientific Reports》发表研究，提出两大创新：一是掩码预训练策略，通过随机遮蔽图像块(40×40像素)让U-Net学习像素级重建，使模型在正式训练前就能掌握超声图像特征；二是设计轻量化MS-UNet，采用多尺度扩张深度可分离卷积(MS-DDSC)模块扩大感受野至15×15，同时引入多尺度输入(MSI)机制指导特征提取。这些设计使模型参数量减少53.2%，浮点运算量降低80.3%。

关键技术包括：1) 柔性块掩码策略，突破传统基于固定图像块的遮蔽方式；2) 多尺度扩张卷积与深度可分离卷积组合，在甲状腺结节(DDTI/TN3k)和胎儿肺(FLUIS/CDHUIS)四类数据集验证效果；3) 端到端预训练-微调框架，保留全部编码器-解码器参数。

研究结果方面：

1. 1.

   性能提升：在仅20张标注数据的极端条件下，预训练使MS-UNet-L的Dice分数提升15个百分点，达到61.32%。

2. 2.

   跨域迁移：在TN3k数据集上，使用DDTI数据预训练的模型仍能取得65.96%的Dice分数，证明方法具备跨设备泛化能力。

3. 3.

   罕见病应用：通过正常胎儿肺超声(FLUIS)预训练，模型在仅6例CDH病例数据上Dice分数提升至51.43%。

讨论指出，该方法突破性地实现了：1) 利用大量无标注超声图像提升小样本学习能力；2) 通过MS-DDSC模块解决超声图像语义简单但边界模糊的矛盾；3) 为胎儿肺占位病变等罕见病筛查提供可行方案。相比MAE等自然图像预训练方法，本研究针对超声特性优化掩码比例(最佳0.2-0.6)，且全程保留U-Net结构而非仅用编码器，这对医学图像像素级任务至关重要。未来可扩展至CT/MRI等多模态医学图像分割，推动智慧医疗在资源匮乏地区的落地应用。