《Diagnostics》：FDNet: A Lightweight Feature-Dominated U-Net for Hippocampus Segmentation in Brain MRI
编辑推荐：
背景/目的：脑部MRI中的海马体分割具有挑战性，因为该结构体积小、形状不规则且与周围组织对比度差。日益复杂的U-Net变体通过增加计算成本来提高精度。研究人员探究了在不引入额外注意力或门控模块的情况下，修改跳跃连接内编码器特征的相对贡献是否能提升性能。方法：研
背景/目的：脑部MRI中的海马体分割具有挑战性，因为该结构体积小、形状不规则且与周围组织对比度差。日益复杂的U-Net变体通过增加计算成本来提高精度。研究人员探究了在不引入额外注意力或门控模块的情况下，修改跳跃连接内编码器特征的相对贡献是否能提升性能。方法：研究人员提出了FDNet，一种轻量级的特征主导型U-Net，它将多个相同的编码器特征图副本与相应的解码器特征进行拼接。在来自ADNI、Medical Segmentation Decathlon和IBSR的矢状位MRI切片上，使用五折交叉验证对三种变体（FDNetX2、FDNetX3和FDNetX4）进行了评估，评估指标包括重叠度量以及每张切片的假阳性/假阴性计数。为了解决切片级评估中潜在的被试者级别数据泄露问题，研究人员还在ADNI数据集上进行了被试者分组的评估，使用固定的留出测试集，并与重新实现的基线方法和nnU-Net v2进行比较。结果：在切片级协议下，FDNet在ADNI上达到了0.9339的Dice系数，在Decathlon上达到0.9470，在IBSR上达到0.9477，优于重新实现的U-Net、Attention U-Net和SegNet基线方法，且参数量大幅减少。在被试者分组协议下，最佳FDNet变体在留出测试集上的Dice值达到0.9050，而nnU-Net为0.9019。所有变体在Holm校正后均显著优于三个基线方法（校正后p < 0.0001）；它们相对于nnU-Net的优势不显著。结论：跳跃连接内的重复编码器特征可以在相对较小的参数预算下提供具有竞争力的海马体分割性能。由于所有结果均来自精心整理的研究数据集，未经外部或跨数据集验证，这表明在所评估的条件下具有竞争性表现，而非临床就绪状态。
一、研究背景与问题
海马体是内侧颞叶的关键结构，对长期记忆和空间记忆至关重要。它在精神分裂症、阿尔茨海默病、癫痫及相关疾病中常受影响，海马体萎缩是这些疾病的早期临床表现。因此，精确测量海马体的形态和体积对于研究和监测这些疾病至关重要。然而，在解剖学MRI上进行手动体积评估耗时费力，因为海马体体积小、与邻近组织缺乏清晰的强度边界，且其形状不规则，个体间差异巨大。尽管深度学习方法，特别是U-Net及其变体，已成为主流并取得了显著进展，但它们普遍通过增加注意力门控、密集跳跃连接等复杂模块来提升精度，这导致了计算成本和参数量的急剧增长。近年来，虽然出现了结合状态空间模型、Transformer-胶囊网络混合体等更大容量的模型，但也有研究开始关注效率，例如神经细胞自动机和多尺度卷积注意力与轻量级视觉Transformer的结合。本研究遵循效率导向的方向，但探索了一种不同的机制：在不引入额外可学习模块的前提下，修改现有跳跃连接的信息平衡。
二、研究方法与结论
研究人员提出了一种名为特征主导型U-Net（Feature-Dominated U-Net, FDNet）的轻量级网络。其核心思想是在标准U-Net的跳跃连接处，将编码器特征图的多个相同副本与上采样后的解码器特征图进行拼接，从而提高编码器细节信息在后续卷积中的权重。研究人员将此机制称为“特征主导”（feature domination），并定义了三个变体：FDNetX2（2个副本）、FDNetX3（3个副本）和FDNetX4（4个副本）。该机制不增加网络的表示能力，而是通过改变初始化时的方差和优化过程中的梯度更新来缩放编码器分支的贡献。研究人员在三组公开数据集上评估了该方法：ADNI（161个T1加权体积，矢状位96×96切片）、Medical Segmentation Decathlon（260个训练体积，重采样至32×32×32网格）和IBSR（18个体积，96×96×120补丁）。除了标准的切片级五折交叉验证，研究人员还针对ADNI数据集进行了更严格的被试者分组评估（GroupKFold），确保同一被试的所有扫描不会同时出现在训练和测试集中，并在此设置下与nnU-Net v2进行了比较。所有模型使用TensorFlow 2实现，采用Adam优化器和混合损失函数（Dice损失与二元交叉熵的组合）。
三、研究结果
- •
3.1 分割精度与误差平衡：在所有三个数据集上，FDNet变体均获得了最高的Dice相似系数（DSC）。具体而言，FDNetX3在ADNI（0.9339）和Decathlon（0.9470）上表现最佳，FDNetX2在IBSR（0.9477）上最优。所有FDNet变体均优于重新实现的U-Net、Attention U-Net和SegNet基线。重要的是，FDNet在取得最高DSC的同时，也实现了最低的平均每张切片总错误像素数（FNPr+FPPr）。研究指出，Attention U-Net虽然假阳性率极低，但其极高的假阴性率导致其DSC最低，揭示了仅依赖重叠指标可能掩盖误差构成的问题。
- •
3.2 被试者分组评估与统计分析：在被试者分组评估中，经过几何增强、损失函数调整和延长训练轮次等优化后，FDNet变体在固定留出测试集上取得了0.9044至0.9050的DSC，略高于nnU-Net五折集成模型的0.9019。配对Wilcoxon符号秩检验表明，所有FDNet变体均显著优于U-Net、Attention U-Net和SegNet（Holm校正后p < 0.0001）。FDNet变体之间无显著差异，且其相对于nnU-Net的优势在校正后不具有统计学显著性。这表明FDNet在参数量少一到两个数量级的情况下，达到了与nnU-Net相当甚至略优的性能。
- •
3.3 与现有方法的比较：在与已发表结果的比较中，FDNet在Decathlon和IBSR数据集上取得了表中最高的DSC，分别比最接近的已发表结果高出0.0159和0.0284。在ADNI数据集上，FDNetX3（0.9339）优于截至2023年的最佳结果，但低于近期提出的CSDA-UNet（0.9512）。然而，CSDA-UNet使用了不同的预处理流程（如CLAHE和高斯去噪），其消融实验显示预处理对精度的贡献远大于其注意力模块，因此两者难以直接比较。
- •
3.4 定性结果：定性结果显示，FDNet的输出相比基线方法，错误像素更少且分布更均匀。SegNet倾向于向邻近组织扩展（高FP），U-Net则容易遗漏结构细节（高FN），而Attention U-Net虽有效抑制了背景（低FP），但严重丢失了真实结构（高FN）。FDNet则在这两者之间取得了更好的平衡。
- •
3.5 每张切片分布：每张切片的DSC和总错误像素数的分布图证实了聚合结果：方法的中位DSC排序与其错误像素数的排序一致，且FDNet变体间的分布有较大重叠。
- •
3.6 模型大小与计算效率：FDNet变体仅包含530,146至626,914个参数，比U-Net少约65倍，比Attention U-Net少70倍，比SegNet少166倍。参数增加与副本数呈严格线性关系。这种参数效率也转化为更快的训练和推理时间。在精度-成本权衡图中，FDNet变体构成了帕累托前沿，即在任何参数或运算预算下，没有其他竞争模型能达到FDNet的DSC水平。
四、讨论与结论
讨论部分指出，研究结果支持了FDNet的核心假设：分割性能不仅取决于跳跃连接保存的信息，还取决于解码阶段如何利用这些信息。通过重复编码器特征图，FDNet改善了假阳性和假阴性误差的平衡，从而提升了精度。误差主要集中在结构的边界和头尾部，这些区域正是切片级处理丢失层面信息的重灾区。研究者强调，Attention U-Net通过门控机制有效抑制了背景，但同时也抑制了真实结构，导致其DSC最低，而FDNet则通过强调细节而非抑制上下文来作用于同一权衡。此外，被试者分组评估的结果凸显了严格评估协议的重要性，并证实了FDNet在更现实的条件下仍保持竞争力。研究也指出了局限性，例如所有结果均来自精心整理的研究数据集，未进行外部或跨数据集验证，因此不代表临床就绪状态；切片级处理丢失了三维空间连续性；以及未在完整切片上进行评估等。
结论：跳跃连接内的重复编码器特征可以在相对较小的参数预算下提供具有竞争力的海马体分割性能。由于所有结果均来自精心整理的研究数据集，未经外部或跨数据集验证，这表明在所评估的条件下具有竞争性表现，而非临床就绪状态。
