U-Net架构选择与跳跃连接对纹理变异下分割鲁棒性的影响：从合成数据到多模态医学图像的实证研究

本研究针对U-Net及其变体在医学图像分割中对纹理差异的敏感性问题，通过设计纹理差异度（TD）指标，系统评估六种架构（含标准/无跳跃连接/增强型）在合成与真实医学数据（超声/组织学/MRI/CT）上的表现。结果表明跳跃连接在提升性能的同时可能牺牲鲁棒性，尤其在训练集纹理范围狭窄时，无跳跃连接模型在5/8案例中DSC最优。该研究为临床关键任务中的模型选择提供了重要依据。

　　

在医学影像分析领域，U-Net架构自2015年提出以来已成为分割任务的金标准，其核心创新在于引入跳跃连接（skip connections），能够将编码器的高分辨率细节直接传递至解码器，有效解决下采样过程中的信息丢失问题。然而，尽管这类架构在理想条件下表现卓越，临床实践中却面临严峻挑战：图像纹理变异广泛存在于不同设备、采集协议及患者个体差异中，而卷积神经网络（CNN）已知对纹理特征存在偏好，这可能导致模型在真实场景中的性能波动。尤其值得注意的是，先前研究多聚焦于提升分割精度，却忽视了跳跃连接对模型鲁棒性（robustness）的潜在影响——即模型在输入数据存在扰动时保持稳定输出的能力，而这恰恰是安全关键型医疗应用的核心需求。

为系统探索跳跃连接与纹理变异间的相互作用，来自瑞士ARTORG生物医学工程研究中心的Amith Kamath等人在《Computers in Biology and Medicine》发表研究，通过合成数据与多模态医学图像实验，首次量化评估了六种U-Net变体在不同纹理差异度（Texture Disparity, TD）条件下的性能与鲁棒性。研究者创新性地提出以局部二值模式（LBP）直方图的KL散度定义TD指标，并设计两组混合策略：背景纹理融入前景（模拟病灶与正常组织纹理相似）及前景纹理融入背景（模拟病灶纹理扩散）。在医学数据方面，研究涵盖乳腺超声、结肠组织学、心脏MRI及脾脏CT四类数据集，均具有公开可用性与临床代表性。

关键技术方法包括：1. 基于合成纹理与贝塞尔曲线生成可控TD的训练测试集；2. 采用MONAI框架统一实现六种架构（标准U-Net/V-Net、无跳跃连接变体、增强型AGU-Net/UNet++）；3. 通过添加散斑噪声与高斯模糊扰动真实医学图像，构建五个TD等级（最易至最难）；4. 综合Dice分数（DSC）、Hausdorff距离（HD100）、表面距离及表面DSC四项指标评估性能，并以变异系数（CV）量化鲁棒性。

3.1 合成纹理实验结果

DSC与Hausdorff距离分析均显示架构性能存在显著不对称性：当背景纹理融入前景时，无跳跃连接模型（NoSkipU-Net/NoSkipV-Net）在TD差异为负值时表现最优（图4a）；而当前景纹理融入背景时，增强型架构（如AGU-Net）鲁棒性更优（图4b）。值得注意的是，UNet++在TD差异增大时出现性能锐减，表明密集跳跃连接可能放大噪声敏感性。Hausdorff距离结果进一步验证该趋势（图5），其中AGU-Net在正TD差异区间保持稳定，而无跳跃连接变体在负值区间边界对齐能力最佳。

3.2 医学图像数据集结果

乳腺超声数据中，NoSkipV-Net凭借最低变异系数（CV=0.10）成为最鲁棒模型（图6a），而AGU-Net在"最易"条件下DSC最高但鲁棒性较差。结肠组织学因原始TD分布较宽，所有模型均保持较高稳定性，其中V-Net综合表现最佳（图6b）。心脏MRI数据中，UNet++因训练集TD范围狭窄而出现严重性能退化，无跳跃连接变体则在不同扰动下保持稳定（图6c）。脾脏CT数据中所有模型均出现显著性能下降，但NoSkipU-Net以最低CV值（0.15）展现最强鲁棒性（图6d）。案例统计显示：在"最难"纹理条件下，无跳跃连接模型在5/8案例中DSC最优（表1），7/8案例中Hausdorff距离最优（表2）。

3.3 训练耗时分析

UNet++因密集跳跃连接导致训练耗时激增（达U-Net的100倍），V-Net变体耗时约为U-Net的10倍，AGU-Net约为6倍（表3）。无跳跃连接架构（NoSkipU-Net）始终为最快训练模型，凸显其计算效率优势。

本研究通过系统性实验揭示了一个关键权衡：跳跃连接虽能提升分割性能，却可能以鲁棒性下降为代价，且该效应高度依赖于训练数据的纹理分布范围。当训练集涵盖宽泛的TD时，各类架构间鲁棒性差异缩小；而当训练集TD范围狭窄时，增强型架构（如UNet++）的敏感性急剧上升。这一发现对临床实践具有直接指导意义——在数据质量受限或纹理变异较大的场景中（如急诊影像、多中心研究），采用无跳跃连接或V-Net式加法连接可能更有利于保障模型稳定性。

研究同时指出未来方向：开发纹理自适应的跳跃连接机制，根据输入图像的TD动态调整信息流；构建混合模型系统，依据实时TD估值切换最优架构；结合区域特异性分析（如边缘、平坦纹理区）进一步细化架构选择准则。该工作不仅为U-Net架构设计提供了实证依据，更推动了医学图像分割向更可靠、可解释的方向发展，对放射治疗规划、病灶追踪等关键应用具有深远影响。