BCIW-Net：边界条件自适应的CT窗技术在肝细胞癌分割中的应用

《Cancers》：BCIW-Net: Boundary-Conditioned Adaptive CT Windowing for Hepatocellular Carcinoma Segmentation

　　

肝细胞癌在CT上可能难以分割，因为肿瘤在大小、形状、增强和边界可见性方面存在差异。研究人员开发了BCIW-Net，一种深度学习框架，在分割过程中利用肿瘤相关、边界和误差信息局部自适应调整图像强度。该方法在PLC-CECT数据集上使用五折患者级交叉验证进行评估，并在LiTS2017上进行了测试，未进行数据集特定的微调。与评估的基线模型相比，BCIW-Net改善了肿瘤重叠和边界定位，表明自适应强度变换可能有助于改进自动肝肿瘤分割。

背景/目的：肝细胞癌（HCC）是最常见的原发性肝脏恶性肿瘤，在对比增强计算机断层扫描（CECT）中准确分割肿瘤对于治疗计划、消融边缘评估和治疗后评估至关重要。现有的深度学习方法通常使用固定强度的CT预处理，忽略了放射科医生用于增强肿瘤可见性的自适应窗口化。为了解决这一局限性，研究人员提出了BCIW-Net，一种边界条件的强度窗口化网络，将空间自适应且可微分的强度窗口化作为临床动机的归纳偏置整合到分割过程中。方法：该框架首先使用基于可微分的sigmoid变换生成互补的软组织和肿瘤增强强度表示。一个初级编码器-解码器模块预测肿瘤引导、边界概率和像素级误差代理图，这些共同指导空间变化的窗口中心和宽度参数的动态估计。最终在次级编码器-解码器网络中细化之前，通过误差门控机制将自适应窗口化特征与固定强度表示选择性混合。多任务目标以端到端方式联合优化肿瘤分割、边界预测、误差代理估计和自适应窗口正则化。结果：在原发性肝癌（PLC）-CECT数据集上的实验表明，BCIW-Net在五折患者级交叉验证中实现了平均Dice相似系数78.68%和交并比（IoU）64.85%，优于所评估的七种基于CNN、Transformer和状态空间的基线。在不进行数据集特定微调的LiTS2017上评估获得了89.84%的肿瘤Dice分数，提供了跨数据集泛化的初步证据。结论：定性特征可视化显示自适应窗口化增强了肿瘤表示和边界描绘，展示了BCIW-Net在HCC分割中的有效性和可解释性。

论文解读：BCIW-Net：边界条件自适应的CT窗技术在肝细胞癌分割中的应用

肝细胞癌（HCC）是最常见的原发性肝脏恶性肿瘤，在对比增强计算机断层扫描（CECT）中准确分割肿瘤对于治疗计划、消融边缘评估和治疗后评价至关重要。然而，HCC肿瘤在大小、形态、增强模式以及与周围肝实质的对比度方面表现出显著异质性，导致肿瘤边界常常模糊不清。传统深度学习方法普遍采用固定的CT强度预处理，无法模拟放射科医生在阅片时动态调整窗宽窗位以增强肿瘤可见性的临床实践。这种固定预处理忽略了局部图像特征和肿瘤外观的差异，成为限制分割精度的重要瓶颈。为此，研究人员提出了边界条件强度窗口化网络（BCIW-Net），将可微分的空间自适应CT强度变换作为临床启发的归纳偏置整合到分割流程中，以期改善HCC的自动分割性能。

研究人员在原发性肝癌对比增强CT（PLC-CECT）数据集上，对94例病理确诊HCC患者的动脉期图像进行了五折患者级交叉验证，并在公开的肝肿瘤分割基准LiTS2017上进行了不进行任何数据集特定微调的外部测试。实验结果表明，BCIW-Net获得的平均Dice相似系数为78.68%，交并比（IoU）为64.85%，均优于所评估的七种基于卷积神经网络（CNN）、Transformer和状态空间模型的基线方法。该研究证实，将自适应强度变换嵌入分割网络能够有效提高肿瘤区域重叠和边界定位精度，为肝肿瘤自动分割提供了新的技术途径。

研究人员使用的主要关键技术方法包括：基于可微分sigmoid函数生成互补的固定软组织与肿瘤聚焦强度表示；采用两阶段残差编码器-解码器结构，第一级输出潜在引导图、肿瘤边界概率图和像素级误差代理图；边界条件窗生成器（BCWG）融合上述语义、结构和误差信息，估计空间变化的窗中心和窗宽参数；利用预测误差门控混合（PEGB）机制，根据误差代理图自适应混合自适应强度表示与固定强度表示；第二级编码器-解码器细化混合特征并输出最终分割；通过多任务目标联合优化肿瘤分割、边界预测、误差预测和窗口参数正则化。样本队列来源为PLC-CECT数据集的94例HCC患者动脉期图像；外部验证采用LiTS2017全部131例公开CECT扫描，该数据集仅用于测试。

4.1 五折交叉验证性能：在这项研究中，PLC-CECT数据集按患者划分五折，BCIW-Net在五折上的平均Dice为78.68%±1.05，平均IoU为64.85%±1.42，平均精确率79.87%，召回率77.52%，特异度97.81%，第95百分位Hausdorff距离（HD₉₅）为9.19像素。折间结果较稳定，其中第4折Dice最高（80.26%），第3折最低（77.34%），但整体差异较小。

4.2 与最新分割方法比较：研究中将BCIW-Net与U-Net、Attention U-Net、UNet++、ResUNet、EfficientUNet、Swin-UNet和Mamba-UNet共7种代表模型进行比较。BCIW-Net在Dice、IoU、精确率、召回率、特异度和HD₉₅上均取得最优结果，相对于最强基线Mamba-UNet，Dice提高1.49个百分点，IoU提高2.00个百分点，HD₉₅从10.12降至9.19像素。

4.3 肿瘤阳性与边界敏感评估：为排除无肿瘤切片对平均指标的稀释影响，研究人员仅对包含肿瘤的610个切片进行评价。BCIW-Net的肿瘤阳性切片Dice高于Mamba-UNet，HD₉₅为9.87像素（Mamba-UNet为11.42像素），漏检切片数14个（Mamba-UNet为21个），假阳性切片数19个（Mamba-UNet为26个），表明其优势在临床相关的肿瘤阳性切片上依然成立。

4.4 性能分布分析：箱线图分析显示，BCIW-Net在全部测试图像上的Dice和IoU分布中位数和均值最高，且四分位距较窄，说明其性能提升在多样化的肿瘤外观上具有一致性，而非由少数样本主导。

4.5 消融研究：
4.5.1 组件消融：通过从原始输入基线开始累积添加固定强度变换、两阶段架构、BCWG、PEGB、边界监督、误差监督和窗口正则化，Dice从70.26%逐步提升至78.68%，HD₉₅从15.84像素降至9.19像素，验证了各组件对最终性能的贡献。
4.5.2 输入分辨率效应：研究人员比较了128×128、256×256、384×384和512×512分辨率。256×256取得最佳Dice（78.68%），继续增加分辨率导致性能略降，说明256×256在该数据集上是准确性与计算代价的平衡点。
4.5.3 计算复杂度和容量控制：BCIW-Net参数量为15.19M，单次前向传播FLOPs为53.11G，均低于多个比较基线；容量控制实验表明性能提升并非来自更大模型，而是源于自适应窗机制。
4.5.4 窗口特定分析：在保持架构、损失和数据划分不变的情况下，仅改变窗口策略，发现从固定窗口到全局可学习、空间自适应、边界条件自适应及最终完整模型的Dice依次升高（从74.36%到78.68%），证明边界条件与误差门控的自适应强度变换确实带来收益。

4.6 定性分割结果：
4.6.1 可解释性分析：特征可视化显示，细化编码器输出的特征在t-SNE投影中呈现更紧凑的类簇；聚类指标中轮廓系数由0.181升至0.337，Davies–Bouldin指数由1.827降至1.076。Grad-CAM激活图显示，网络对肿瘤区域产生集中响应，表明其关注临床相关的影像特征。
4.6.2 预测误差图验证：定性比较发现，预测误差代理图的高响应区域与真实分割误差在肿瘤边界附近的空间分布一致，支持其作为误差门控信号的可行性。

讨论部分指出，本研究的样本量相对较小，LiTS2017结果属于初步外部验证，且未单独评估小病灶、浸润性肿瘤、治疗后改变等特定临床挑战情形。研究结论可翻译为：研究人员提出了BCIW-Net，一种用于CECT中HCC分割的边界和误差条件自适应强度框架。通过整合空间自适应强度变换、边界引导、误差感知混合和两阶段细化，该方法在PLC-CECT队列上取得了优于对照架构的分割和边界定位性能。LiTS2017实验提供了跨数据集泛化的初步证据，且无需数据集特定微调。这些结果支持将自适应强度建模作为改善有挑战性CT图像中肿瘤表示和描绘的补充策略。未来仍需在更大规模多中心队列、不同采集方案、治疗后病例和前瞻性临床数据中进一步验证。