AGDE-Net：面向成人胶质瘤肿瘤核心与瘤周水肿分割的轻量级注意力引导双编码器网络

《Egyptian Journal of Radiology and Nuclear Medicine》：AGDE-Net: a lightweight attention-guided dual-encoder network for tumor core and peritumoral edema segmentation in adult glioma

　　

背景：胶质瘤（glioma）是起源于胶质细胞的恶性原发性脑肿瘤，若未及时治疗常导致致命结局。准确可靠的肿瘤分割对临床决策和治疗评估至关重要。本研究旨在开发一种高效且精确的框架，以改善边界描绘并减少人工修正需求。
方法：研究人员提出一种注意力引导双编码器网络（attention-guided dual-encoder network, AGDE-Net），其整合基于Transformer（Transformer-based）的编码器与基于卷积神经网络（convolutional neural network, CNN）的编码器，以联合捕获全局上下文信息与局部空间细节。引入注意力引导特征融合（attention-guided feature fusion, AGFF）模块，以促进互补跨分支表示的自适应整合。在Transformer分支中，采用来自现有高效Transformer设计的序列缩减比（sequence-reduction ratio），以降低自注意力（self-attention）的计算成本。该模型在内部测试集（n = 227）、纵向扫描（n = 118）和外部数据集（n = 36）上进行了评估。
结果：AGDE-Net取得出色分割性能，在内部测试集、纵向扫描和外部数据集上，肿瘤区域和水肿区域的3D Dice评分分别为0.8382与0.8044、0.8449与0.8374、0.7935与0.7798。该模型还表现出优异计算效率，仅需10.027 M参数和5.943 G FLOPs，对于包含全部四个MRI（magnetic resonance imaging，磁共振成像）序列的单层输入，推理时间为4.91 ms，内存占用为68.05 MB。
结论：AGDE-Net以低计算开销和快速推理实现胶质瘤与水肿的准确分割。其优越的准确性和效率突出其整合到临床工作流程以支持诊断和治疗计划的潜力。

研究背景与问题：恶性胶质瘤（glioma）是成人最常见脑肿瘤，占原发性脑肿瘤75%。其位置、肿瘤扩散范围及相关水肿存在显著影响患者健康，导致头痛、癫痫、失语和偏瘫等症状。临床管理如最大安全切除和放疗需要精确勾画肿瘤边界和水肿区域以制定治疗计划。肿瘤评估通常通过多序列MRI：T2加权液体衰减反转恢复（T2-weighted fluid attenuated inversion recovery, FLAIR）、T1加权（T1-weighted, T1）、T1加权对比增强（T1-weighted contrast-enhanced, T1CE）、T2加权（T2-weighted, T2）。当前标准护理依赖放射科医生手动分割，耗时、存在观察者间变异并易受疲劳错误影响，因此需要自动分割。近年来深度学习（deep learning, DL）用于医学图像分析，已有多种自动胶质瘤分割策略。CNN擅长提取局部空间模式和细粒度结构信息，但受限感受野可能限制长程依赖建模；Transformer用于医学图像分割增强全局上下文建模；混合CNN–Transformer架构试图联合建模局部和全局表示。然而，如何在计算高效的分割框架中有效整合局部CNN特征和全局Transformer表示仍具挑战。现有混合架构中两分支交互常通过直接相加、拼接或阶段特定特征聚合实现，可能未显式考虑对应特征分辨率下局部空间信息和全局上下文信息的不同贡献；引入Transformer分支还可能显著增加计算复杂度和内存消耗。因此挑战不仅是是否组合CNN和Transformer特征，而是如何在匹配特征尺度上自适应整合互补局部和全局表示，同时保持轻量架构适用于高效胶质瘤分割。为此，研究人员提出AGDE-Net用于成人胶质瘤肿瘤核心和瘤周水肿分割，采用平行CNN和Transformer编码器在对应分辨率提取局部空间特征和全局上下文表示，并通过AGFF模块自适应调制和整合两分支互补表示后送入共享解码器，Transformer分支采用序列缩减策略降低自注意力计算成本，目标是在不引入过度计算开销下实现自适应局部–全局特征整合。

研究人员开展的研究与结论意义：AGDE-Net在内部测试集、纵向扫描和外部数据集上评估，取得稳定且较高分割性能。在内部测试集肿瘤和水肿3D Dice为0.8382和0.8044；纵向扫描为0.8449和0.8374；外部数据集为0.7935和0.7798。模型仅10.027 M参数、5.943 G FLOPs，单层四序列输入推理时间4.91 ms、内存68.05 MB。结果表明AGDE-Net以低计算开销和快速推理实现胶质瘤和水肿准确分割，有潜力整合到临床工作流程支持诊断和治疗计划。

主要关键技术方法：数据来自BraTS 2025治疗前成人胶质瘤数据集，训练与内部验证，排除118例随访扫描用于纵向鲁棒性评估，剩余n = 1133按患者6:2:2分为训练、验证和内部测试集，无患者重叠；外部验证来自Shandong Cancer Hospital n = 36。预处理对每个MRI模态独立z-score归一化，无脑组织切片不归一化，体积中心裁剪至160 × 160 × 182 voxels，体素间距1 × 1 × 1 mm³，每层T1、T1CE、T2、FLAIR组合为160 × 160 × 4四通道输入。模型基于U形网络，含混合Transformer-CNN编码器、AGFF、跳跃连接和解码器；Transformer分支采用序列缩减比α = [1, 2, 4, 8]，损失为Dice损失加0.5倍二元交叉熵（binary cross-entropy, BCE）损失，训练在NVIDIA RTX 3090 Ti、PyTorch 2.1平台完成。

研究结果：

Evaluation metrics（评价指标）：研究人员采用Dice相似系数（Dice similarity coefficient, Dice）、阳性预测值（positive predictive value, PPV）、敏感性和95%豪斯多夫距离（95% Hausdorff distance, HD₉₅）进行3D体积评估。统计比较使用双侧Wilcoxon符号秩检验，并对每个指标进行Holm校正，Holm校正后P < 0.05视为显著。

Comparison with existing segmentation models（与现有分割模型比较）：研究人员将AGDE-Net与Swin U-Net、U-Net++、Dense U-Net、Attention U-Net、标准U-Net、H2Former和Mamba-Unet比较，所有模型采用相同损失函数、优化器和其他训练设置。

Internal testing（内部测试）：内部测试集占BraTS 2025治疗前胶质瘤数据集20%。Swin U-Net肿瘤和水肿Dice最低，分别为0.7394和0.7016；标准U-Net为0.8096和0.7878。AGDE-Net获得最高Dice：肿瘤核心Dice为0.8382、PPV为0.8870、敏感性为0.8380、HD₉₅为8.0545 mm；瘤周水肿Dice为0.8044、PPV为0.8172、敏感性为0.8193、HD₉₅为9.3125 mm。AGDE-Net在肿瘤核心中Dice和PPV最高、HD₉₅最低，H2Former肿瘤敏感性最高；在水肿中Dice和敏感性最高，U-Net++的PPV略高，H2Former平均HD₉₅更低。配对Wilcoxon检验显示，Holm校正后AGDE-Net对所有基线模型的Dice改善均显著。定性观察显示AGDE-Net假阳性更少、边界对齐更好。

Longitudinal imaging testing（纵向成像测试）：随访扫描用于评估纵向成像变化下肿瘤分割一致性。AGDE-Net肿瘤Dice为0.8449、PPV为0.8590、敏感性为0.8887、HD₉₅为12.7044 mm；U-Net++敏感性略高，Attention U-Net的PPV更高，但AGDE-Net重叠性能最佳，肿瘤Dice改善经Holm校正后显著。水肿Dice为0.8374、PPV为0.8679、敏感性为0.8362；H2Former的HD₉₅为9.1584 mm，低于AGDE-Net的10.9760 mm。定性结果显示，即使病灶显著变化，AGDE-Net预测仍稳健，支持纵向追踪肿瘤演变和评估治疗反应。

External testing（外部测试）：外部数据集来自Shandong Cancer Hospital，包含36例治疗前胶质瘤患者，每例含T1、T2、T1CE和FLAIR四序列，按BraTS流程预处理。AGDE-Net在3D体积评估中肿瘤Dice为0.7935，水肿Dice为0.7798，较内部测试仅轻微下降，显示对域偏移的适应性。定性分析显示模型能高保真捕捉肿瘤核心和浸润边缘；失败案例包括T1CE低对比小肿瘤漏检导致假阴性，以及FLAIR非水肿区域误判为水肿导致假阳性。放射科医生审查显示许多轮廓仅需有限手动调整，可能减少分割工作量和时间。

Ablation experiments（消融实验）：研究人员比较AGDE-Net、仅CNN网络、仅Transformer网络和简单相加融合的双编码器模型。与简单相加融合相比，AGDE-Net肿瘤Dice从0.8218升至0.8382，水肿Dice从0.7962升至0.8044；肿瘤HD₉₅从11.1166降至8.0545 mm，水肿HD₉₅从11.4652降至9.3125 mm，表明AGFF在双编码器结构之外提供额外增益。

Computational efficiency analysis（计算效率分析）：计算指标以四通道4 × 160 × 160输入单次前向传播测量。卷积基线采用常用参考配置：U-Net五级通道[64, 128, 256, 512, 1024]，U-Net++为[32, 64, 128, 256, 512]并采用双线性上采样；Dense U-Net参数较少但FLOPs较高；Attention U-Net参数最多；Swin U-Net因局部窗口自注意力FLOPs较低但推理延迟中等；H2Former参数多于Swin U-Net；Mamba-Unet FLOPs低但推理时间非最低。AGDE-Net仅需10.027 M参数，在NVIDIA RTX 3090 Ti上每四通道切片推理时间为4.91 ms，GPU内存占用在所有比较方法中最低，显示模型紧凑性、推理效率和分割性能之间的良好平衡。

讨论总结：胶质瘤异质性对自动分割构成挑战，训练与部署环境常存在差异。研究人员提出高效混合编码器网络，结合轻量注意力模块降低模型规模和参数量，并提高训练与推理速度；AGFF模块有效融合CNN编码器和Transformer编码器输出。结果表明，CNN分支擅长细粒度纹理和边界信息，Transformer分支建模长程依赖，AGFF动态整合互补特征，较单独方法更准确；纵向扫描时间稳定性分析确认AGDE-Net在多时间成像中性能波动小，有潜力追踪肿瘤进展。外部测试中，模型在域偏移下仍稳定，Dice仅较内部验证略降。放射科医生审查和修正AI生成轮廓的初步经验显示，AI掩膜提供有用初始勾画并减少手动修正量，但需标准化多读者计时方案进一步评估。局限包括：小病灶区域性能变异性较大；不同输入分辨率和预处理配置影响未系统探索；两目标公式未区分增强与非增强/坏死肿瘤成分，限制瘤内异质性详细表征；仍需更广泛多中心、不同扫描仪和采集协议评估。

结论翻译：研究人员开发了AGDE-Net，一种用于多模态MRI自动胶质瘤分割的轻量级混合编码器网络。该模型有效结合局部CNN特征、全局Transformer表示和自适应特征融合，提高分割准确性和鲁棒性。在内部、纵向和外部测试队列中，AGDE-Net以相对低计算成本实现稳定性能。初步放射科医生辅助勾画也提示，AI生成掩膜可能有助于减少重复手动修正。这些发现表明，AGDE-Net有潜力作为胶质瘤分割和纵向评估的高效工具。