基于SE-UNet与Transformer双分支编码器的PET-CT三维图像肿瘤自动分割方法

来自国内的研究人员针对肿瘤识别依赖人工分割的临床难题，创新性地融合PET分子影像与CT病理信息，提出结合SE-UNet和Transformer的双分支编码器TASE-UNet模型。通过引入3D CBAM注意力机制和BCE损失函数，在HECKTOR2022数据集上取得DSC 76.10%和HD95 3.27的优异性能，为肿瘤自动分割提供了新范式。

　　

在临床诊疗和放射组学研究中，精准识别肿瘤病灶至关重要，但传统依赖专家手动分割的方式效率低下。这项研究开创性地将正电子发射断层扫描(PET)提供的代谢分子信息与计算机断层扫描(CT)呈现的解剖结构特征相结合，构建了名为TASE-UNet的智能分割系统。该模型采用双通道编码器架构：一个分支基于挤压激励归一化网络(SE-UNet)，另一个分支采用Transformer模块，通过三维卷积块注意力机制(3D CBAM)强化特征融合，并创新性地在跳跃连接中引入注意力门控。训练过程中采用二元交叉熵损失(BCE Loss)进行优化，在头颈癌挑战赛HECKTOR2022数据集上表现卓越，其分割相似性指标(DSC)达到76.10^%，边界误差指标(HD₉₅)仅3.27毫米，显著优于现有方法。实验证实这种融合多模态影像与混合深度学习的策略，能有效提升肿瘤自动分割的精确度和鲁棒性，为智能辅助诊断系统开发提供了重要技术参考。