频率增强型SwinUNETR：面向边界感知的三维肝脏分割

《Array》：FreqSwinUNETR: Frequency-enhanced swin transformer for boundary-aware 3D liver segmentation

　　

肝切除术仍是良恶性肝脏疾病（包括肝细胞癌和结直肠癌肝转移）的核心治疗手段[1,2]。尽管手术技术和围手术期护理已有改进，但肝脏解剖的内在复杂性以及显著的个体间差异仍导致预后变异[3,4]。在此背景下，基于患者特异性解剖结构进行手术规划至关重要，而肝脏边界的精确勾画对于可靠评估切除缘尤为关键[5,6]。实现这一目标通常需要从术前影像获得高保真三维（3D）重建，而这依赖于肝脏及其周围结构的精确分割[7]。特别地，器官边界处的微小几何误差可能累积并导致体积评估和手术规划的临床显著不准确性[8]。然而，手动勾画劳动强度大且需要大量放射学专业知识，限制了其在常规临床工作流程中的可扩展性[8]。 深度学习已实现从计算机断层扫描（CT）和磁共振成像（MRI）自动进行医学图像分割，在许多场景下减少了人工工作量并提高了可重复性[9,10]。然而，尽管取得了这些进展，复杂器官边界的精确勾画仍然是一个挑战，尤其在低对比度和高解剖变异性的情况下[11]。近期综述总结了从卷积U-Net变体到基于Transformer设计的进展[11,12,13]。尽管如此，高整体分割精度并不一定能转化为跨患者的一致边界保真度，这限制了其在临床严苛场景下的可靠性[12]。 为解决这些挑战，本研究提出了FreqSwinUNETR，一种旨在改善3D CT体积中肝脏边界勾画的频率增强型Transformer架构。所提出的模型整合了三种互补策略：(i) 用于边缘增强和噪声抑制的3D Log-Gabor频域（LGModule）预处理[14]，(ii) 用于自适应特征重校准的挤压激励（Squeeze-and-Excitation, SE）通道注意力机制[15]，以及(iii) 训练阶段的深度监督（Deep-Supervision）[16]。然而，创新之处不在于这些单独已知的构建模块本身，而在于它们特定的协同整合：通过单一可学习凸权重将3D各向异性Log-Gabor阶段融合到网络输入中，并与SE重校准和深度监督耦合，使得三者形成非加性协同效应。如组件消融实验所示（第5.5节），三个模块均无法独立改善骨干网络，边界增益仅在所有模块同时存在时才显现；因此贡献在于协同设计及其经验证据，而非任何单一的借用组件。这种信号-选择-传播链——其中LGModule注入边界选择性结构，SE选择信息通道，深度监督将其传播至解码器各尺度——正是FreqSwinUNETR区别于现有技术简单组合的关键所在。 然而，评估此类架构创新的益处仍然困难，因为现有研究在数据集组成、预处理、数据增强、训练计划和度量定义方面差异很大。这种异质性使可靠的面对面比较变得复杂[17]。为确保公平且可重复的评估，研究人员建立了一个统一的基准框架，在该框架中，一组代表性3D分割架构在两个共主公开腹部CT数据集——超越颅穹窿的多图谱标记（Multi-Atlas Labelling Beyond the Cranial Vault, BTCV）[18]和医学分割十项全能（Medical Segmentation Decathlon, MSD）的肝脏任务（Task03）[19]——上在相同设置下重新实现和训练；前者提供一致的多器官标注和解剖上下文，后者提供规模、多机构异质性和临床现实的病理。为桥接基准测试和部署，训练后的模型随后在严格零样本（zero-shot）条件下，在一个独立的单中心临床队列——阿尔瓦罗·昆凯罗医院肝脏数据集（西班牙维哥）上进行验证。 这些数据集被选用于实现肝脏边界勾画的临床现实评估[20]。性能评估采用一套临床驱动的体积和边界感知度量：Dice相似系数（Dice Similarity Coefficient, DSC）、归一化表面Dice（Normalised Surface Dice, NSD）、平均表面距离（Mean Average Surface Distance, MASD）、95百分位Hausdorff距离（95th-percentile Hausdorff distance, HD95）和相对体积差（Relative Volume Difference, RVD）。这些度量共同捕捉与手术规划和体积测量相关的重叠率、表面一致性、最坏情况边界误差和体积偏差[21]。 本文其余部分组织如下：第2节回顾了与之比较的代表性3D分割架构；第3节详细阐述了所提出架构及其三个组成部分；第4节描述了数据集、预处理、数据增强、评估度量和训练协议；第5节呈现定量和定性结果，并讨论了其意义、局限性和未来方向；最后，第6节总结了主要发现和结论。

一、研究背景、现存问题与研究动机

肝切除术是治疗肝细胞癌和结直肠癌肝转移等肝脏疾病的核心手段，但肝脏解剖的复杂性与个体间差异导致术后预后不一。精准的手术规划依赖于从术前影像获取高保真的三维（3D）肝脏重建，而肝脏边界的精确勾画对评估切除缘至关重要。然而，手动勾画耗时费力且依赖高水平放射学专业知识，难以在临床大规模推广。尽管深度学习已广泛应用于CT和MRI图像的自动分割，但在低对比度、高解剖变异性的场景下，复杂器官边界的精确勾画仍然是未解决的难题。此外，现有研究因数据集、预处理、训练策略和评估标准的高度不一致，难以进行公平的横向比较。为此，研究人员开展了此项研究，旨在提出一种能够提升肝脏边界勾画精度的新型架构，并在统一基准下进行严谨评估。

二、研究内容、结论与意义

研究人员提出了FreqSwinUNETR，一种频率增强型Transformer架构，专门针对3D CT肝脏分割中的边界感知问题。该模型在轻量级SwinUNETR骨干网络上集成了三项互补设计：3D Log-Gabor频域预处理模块（LGModule）、挤压激励（SE）通道注意力机制以及深度监督训练策略。研究在两个公开数据集（BTCV和MSD Task03）上对12种代表性3D分割架构进行了完全相同的训练与评估，并在独立临床队列（西班牙álvaro Cunqueiro医院肝脏数据集）上进行了严格的零样本（zero-shot）验证。结果显示，FreqSwinUNETR在所有12种架构中取得了最高的Dice相似系数（DSC）和最低的表面距离指标，并以比标准SwinUNETR少43%的参数实现了边界性能的提升。该研究的核心意义在于证明了通过频域预处理、通道重校准与深度监督的非加性协同，可以在不增加模型容量的前提下显著提升边界分割质量，为临床精准手术规划提供了更可靠的自动分割工具。

三、关键技术方法概述

研究人员采用了以下主要技术方法：

1. 1.
   3D Log-Gabor频域预处理模块（LGModule）：在输入进入Swin Transformer编码器之前，对原始CT体积进行3D各向异性Log-Gabor滤波，通过可学习的凸权重将滤波后的频域特征与原始图像融合，以增强结构边界并抑制低频强度偏置和采集噪声。
2. 2.
   挤压激励（SE）通道注意力机制：在每个解码器阶段嵌入SE块，通过对特征图进行全局平均池化、全连接层和Sigmoid激活，自适应地重校准各通道的重要性权重，从而强化与边界相关的特征响应。
3. 3.
   深度监督（Deep-Supervision）：在训练过程中，在中间解码器层级附加辅助分割头，使梯度能够更有效地传播到浅层网络，促进层次化特征的稳定优化。
4. 4.
   统一基准评估框架：在BTCV（提供多器官标注和解剖上下文）和MSD Task03（提供大规模、多机构异质性和临床病理）两个公共数据集上，对包括3D U-Net、V-Net、nnU-Net、UNETR、SwinUNETR、MedFormer、SegFormer、TriConvUNeXt在内的12种架构进行完全一致的训练和超参数设置，并在西班牙álvaro Cunqueiro医院的独立临床队列上进行零样本验证。

四、研究结果

4.1 定量分割性能（Quantitative Segmentation Performance）

在BTCV和MSD Task03数据集上，FreqSwinUNETR在肝脏分割任务中取得了最高的DSC和NSD值，以及最低的MASD和HD95值。相比标准SwinUNETR，该模型在保持更高边界精度的同时，参数量减少了43%。在所有12种基准架构中，FreqSwinUNETR在体积重叠和表面距离两类指标上均表现最优。

4.2 边界感知优势（Boundary-Aware Advantage）

在独立临床队列的零样本验证中，FreqSwinUNETR的边界感知优势得到最好地迁移。与其他模型相比，该模型在外部数据集上的性能下降最小，尤其是在表面距离指标（MASD和HD95）上保持了领先地位，表明其对不同数据分布具有良好的泛化能力。

4.3 组件消融研究（Component Ablation Study）

通过逐步移除LGModule、SE模块和深度监督进行消融实验，研究发现单独使用任何一个模块均不能有效提升骨干网络的边界分割性能。只有当三个模块同时存在时，才观测到显著的边界增益。这证实了三者形成了非加性协同效应，即协同设计本身而非单个组件是性能提升的关键。

4.4 复杂度分析（Complexity Analysis）

FreqSwinUNETR在参数量和计算开销方面优于或持平于大多数对比架构。相比于标准SwinUNETR，该模型以43%更少的参数实现了更好的边界分割，展示了高效的设计思路。

五、讨论与结论

讨论部分总结：研究人员指出，FreqSwinUNETR的成功归因于频域预处理、通道重校准和深度监督三者之间的协同作用，而非任何单一技术的简单堆叠。这种信号-选择-传播链——LGModule注入边界选择性结构，SE选择信息通道，深度监督将其传播至解码器各尺度——是区分于现有技术组合的关键。研究还讨论了当前方法的局限性，包括对特定频率参数的敏感性以及在极端低对比度病例中的潜在不足。未来工作可探索将频域条件化扩展到其他器官分割任务，以及结合动态卷积或混合CNN-Transformer架构进一步优化。

结论部分翻译：本研究提出了FreqSwinUNETR，一种频率增强型Transformer架构，用于3D CT图像中边界感知的肝脏分割。通过在轻量级SwinUNETR骨干网络中集成3D Log-Gabor频域预处理、挤压激励通道注意力和深度监督，所提出的模型在两个公共数据集和一个独立临床队列上均优于12种代表性分割架构。该模型以比标准SwinUNETR少43%的参数实现了最佳的Dice相似系数和最低的表面距离，验证了频域条件化与通道重校准协同设计在提升边界分割质量方面的有效性。