基于边缘增强TransUNet的颞下颌关节MRI精准分割：跨切片注意力与特征融合的创新方法

【编辑推荐】本研究针对颞下颌关节（TMJ）MRI分割中存在的解剖变异大、边界模糊、切片间距宽等挑战，创新性地提出融合边缘增强模块（FEM）和跨切片注意力机制（CAT）的TransUNet改进框架。通过特征增强模块联合Transformer全局特征与边缘信息，结合注意力门（AG）抑制背景噪声，在髁突、关节盘和关节结节分割中分别达到0.922/0.834/0.837的Dice系数，为临床TMD诊疗提供可靠自动化工具。

　　

Highlight

我们提出了一种基于TransUNet的新型编码器-解码器分割网络，用于MRI中的颞下颌关节（TMJ）分割。该网络通过边缘增强架构整合局部边缘特征与全局上下文信息，主要创新包括：

跨切片注意力机制

设计跨切片注意力变换器（Cross-Slice Attention Transformer, CAT）捕捉相邻切片间的依赖关系，突破传统2D方法忽略空间上下文、3D方法受限于大切片间距的瓶颈，显著提升对关节盘等模糊结构的识别能力。

联合特征融合

特征增强模块（Feature Enhancement Module, FEM）将Transformer提取的全局特征与边缘检测器生成的局部边缘图智能融合，在skip connection中强化边界特征表达，有效解决关节结节低对比度导致的边界模糊问题。

注意力引导解码

解码器嵌入注意力门（Attention Gate, AG）机制，像"智能聚光灯"般自适应增强目标解剖结构（如位移的髁突）并抑制无关背景，提升模型对病理变形（如骨折）的鲁棒性。

结论

实验证明，本方法在私有TMJ数据集上对髁突、关节盘和关节结节的分割Dice系数分别达0.922、0.834和0.837，膝关节MRI的跨数据集验证进一步证实其泛化性。这种融合边缘感知与跨切片上下文建模的框架，为复杂解剖结构的精准分割提供了新范式。

（注：翻译严格保留专业术语如TransUNet、Dice系数等中英文对照，采用"智能聚光灯"等生动比喻，并通过"突破...瓶颈""强化...表达"等动词短语增强专业性表述，同时去除原文中的文献引用标记[1][2]等）