DBENet：用于脑MRI病灶分割的双分支编码器网络

《Frontiers in Neurology》：DBENet: Dual-Branch Encoder Network for brain MRI lesion segmentation

　　

引言：在磁共振成像（MRI）中，由于病灶外观异质性、尺度多变和边界模糊，准确的脑病灶分割仍然具有挑战性。方法：研究人员提出DBENet，一种用于脑MRI病灶分割的双分支编码器网络。空间分支和频率分支首先从互补域中提取病灶相关特征。然后，空间频率融合（Spatial and Frequency Fusion, SFF）模块将这些特征整合为混合病灶表示。同时，病灶感知提示由分割任意模型（Segment Anything Model, SAM）提示编码器编码，生成提示嵌入。最后，多尺度注意力融合（Multi-scale Attention Fusion, MAF）模块将混合表示和提示嵌入作为输入，并在不同尺度上逐步整合它们以进行上下文建模和边界优化。结果：在ISLES 2022和BraTS 2018数据集上的大量实验表明，DBENet优于最先进的方法，分别达到0.8621和0.8261的Dice系数，同时提供优越的病灶定位和边界描绘。消融研究证实了SFF和MAF的互补优势。讨论：此外，DBENet在分割精度和计算成本之间取得了有利的平衡，支持在中等硬件约束下的实际实现。未来的工作将把DBENet扩展到体积3D分割。研究人员还将研究多模态学习和基础模型适应，以提高在不同成像协议中的鲁棒性。

脑病灶分割是磁共振成像（MRI）诊断缺血性卒中和脑肿瘤、规划治疗及评估预后的关键步骤。由于病灶外观异质性显著、尺度多变、边界模糊，且MRI图像常受低对比度、伪影和噪声干扰，手动标注耗时费力且观察者间差异大，严重限制了可扩展性和可重复性。现有深度学习方法主要依赖空间域强度与纹理模式，但面对模糊边界和低对比度病灶时，这些线索不可靠，易忽略细微结构细节导致分割不完整。频率域分析（如小波变换）能提供互补视角，保留边缘、纹理及边界过渡信息。为此，研究人员提出DBENet（双分支编码器网络），旨在联合空间与频率表征，并结合多尺度提示引导解码，以解决异质性病灶、低对比度和模糊边界的挑战。该研究在ISLES 2022（急性缺血性卒中）和BraTS 2018（脑肿瘤）两个公开基准数据集上验证，结果表明DBENet在分割精度与计算成本间取得良好平衡，优于现有代表性方法，为脑病灶分割提供了实用方案。论文发表在《Frontiers in Neurology》。

关键技术方法（不超过250字）：DBENet采用双分支编码器架构：空间分支通过Transformer编码器提取解剖上下文，并嵌入频率交互单元增强边界感知；频率分支通过层次化卷积编码捕获多尺度频率模式与细粒度结构。空间频率融合（SFF）模块以跨模态注意力机制整合空间形态与频率细节，并利用通道注意力增强低频结构先验。多尺度注意力融合（MAF）模块通过最大池化和离散小波变换（DWT）进行多尺度分解，结合并行多尺度卷积（1×1、3×3、5×5、7×7）和通道注意力进行特征精炼。同时，DBENet保留SAM（Segment Anything Model）提示编码器，从融合表示生成前景、背景和边界框提示，提供病灶感知定位先验。训练采用Dice损失与二元交叉熵（BCE）损失的联合监督。样本队列来源：ISLES 2022数据集（包含DWI、ADC、FLAIR多模态MRI）和BraTS 2018数据集（多参数MRI，来自多机构）。

研究结果：
- 4.2 定量评估：通过比较DBENet与U-Net、U-Net++、AttUNet、MedSAM2D、MEGANet、MFMSNet在ISLES22和BraTS18上的灵敏度（SEN）、特异度（SPE）、Dice系数（DICE）和准确率（ACC），并进行配对t检验（p值），结果表明DBENet在所有指标上均最优。在ISLES22上，Dice达0.8621；在BraTS18上，Dice达0.8261，显著优于所有对比方法（p<0.001）。
- 4.3 模型复杂度比较：通过比较GFLOPs和参数量（256×256分辨率），DBENet（22.32 GFLOPs，10.58M参数）在保持高分割精度的同时计算成本适中，远低于MedSAM2D（43.78 GFLOPs，38.88M参数）和MFMSNet（32.99 GFLOPs，52.54M参数），且参数量仅为MEGANet（19.39 GFLOPs，27.27M参数）的约40%，表明其在精度与效率间取得良好平衡。
- 4.4 视觉分析：通过展示ISLES22和BraTS18上的分割结果图及激活热图，定性显示DBENet能更准确描绘病灶边界、抑制过分割和欠分割现象，尤其对模糊边界和异质性病灶具有更连贯的描绘。热图表明DBENet在病灶区域产生更聚焦且信息丰富的响应，边界感知更清晰，结构性表示更精细，与定量结果一致。
- 4.5 消融研究：在ISLES22和BraTS18上逐步添加MAF和SFF模块，比较Dice等指标。基线模型（无二者）在ISLES22上Dice为0.8020；单独引入MAF使Dice提升至0.8380；单独引入SFF使Dice提升至0.8299；联合二者使Dice达到0.8621。在BraTS18上，基线Dice为0.7569，单独MAF为0.7937，单独SFF为0.8001，联合为0.8261。结果表明MAF和SFF单独均有效，联合效果最佳，且SFF在BraTS18上表现出更强的独立判别能力，证明两者互补性。

总结讨论部分：研究人员提出的DBENet是一种双分支编码器网络，用于脑MR图像病灶分割。DBENet针对异质性病灶外观、显著尺度变化和模糊边界，采用双分支架构联合建模空间与频率域信息。SFF模块有效结合两个分支的特征，MAF模块通过多尺度注意力增强上下文建模并优化特征。在ISLES 2022和BraTS 2018上的实验表明，DBENet优于U-Net、U-Net++、AttUNet、MedSAM2D、MFMSNet和MEGANet，Dice系数分别达到0.8621和0.8261。消融研究验证了SFF和MAF的显著贡献及互补性。此外，DBENet在分割精度与计算成本之间取得有利平衡，支持在中等硬件约束下的实际实现。尽管当前基于2D切片且仅针对二值分割，未直接编码3D体素间依赖，但未来工作将向2.5D和3D分割扩展，并探索多模态学习和基础模型适应，以提升跨协议和病变类型的鲁棒性。总体而言，DBENet为准确脑病灶分割提供了实用方案，并为未来医学图像分析研究指明了方向。