《Journal of Imaging》：CSP-UNet: A Lightweight Network for Hand X-Ray Image Segmentation
编辑推荐：
手部X射线图像分割是自动化放射影像分析中的重要步骤。然而，常规U型分割网络通常具有相对较高的模型复杂度，且手部X射线图像间灰度分布的差异可能影响分割性能。针对上述问题，研究人员提出一种轻量级手部X射线图像分割网络CSP-UNet（Cross-Stage Par
手部X射线图像分割是自动化放射影像分析中的重要步骤。然而，常规U型分割网络通常具有相对较高的模型复杂度，且手部X射线图像间灰度分布的差异可能影响分割性能。针对上述问题，研究人员提出一种轻量级手部X射线图像分割网络CSP-UNet（Cross-Stage Partial U-Net）。该网络将跨阶段局部特征处理集成至U-Net编码器—解码器框架中，以减少冗余特征计算与模型参数量，同时保留有效特征表示。此外，研究采用自适应高斯直方图匹配策略以降低X射线图像间灰度分布的差异。CSP-UNet在包含2000张手部X射线图像的数据集上评估，并与Classic U-Net、Res-UNet、Attention U-Net及Swin U-Net对比。实验结果显示，CSP-UNet在保持可比分割性能的同时，取得Dice系数0.9927、像素精度（PA）0.9839、平均像素精度（MPA）0.9810及平均交并比（mIoU）0.9542，仅含20.01 M参数。相较于Classic U-Net，CSP-UNet在Dice系数相近（0.9927 vs. 0.9910）下将参数量由69.1 M降至20.01 M，降低约71.04%。结果表明，CSP-UNet在大幅降低模型复杂度的同时维持可比分割性能，为手部X射线图像分割在分割性能与模型尺寸间提供了良好权衡。
研究背景与动机
医学图像分割在临床诊断、治疗规划及定量分析中具有重要作用。传统方法依赖灰度阈值、区域生长与边缘检测，在噪声、强度不均及组织间灰度相似时可靠性下降。基于卷积神经网络（CNN）的U-Net凭借对称编码器—解码器与跳跃连接成为生物医学分割代表框架，后续变体引入残差学习、注意力机制与Transformer以增强特征表达，但常规U型网络模型复杂度较高。手部X射线图像存在灰度分布差异大、指缝等精细边界难保留的问题，而移动端与资源受限场景亟需轻量架构。因此，研究人员在《Journal of Imaging》发表该研究，旨在构建一种轻量且保持精度的手部X射线分割网络。
主要技术方法
研究人员整合芜湖某医院放射科1000例去标识化患者手部X射线与RSNA儿科骨龄挑战赛公开数据集1000张，构成2000张二值分割（手部区域vs背景）队列，按8:1:1分训练/验证/测试集且同患者不跨集。预处理采用K-means聚类辅助的自适应高斯直方图匹配，以三高斯分量建模骨、软组织与背景灰度并生成匹配模板。主干网络以Classic U-Net为基，编码器嵌入CSPDX块（特征图分流经局部残差与含X个卷积的DenseX支路后过渡层拼接，以步长2的3×3卷积代池化），解码器以CSP2块（双卷积代DenseX）融合跳跃连接，全局用SiLU激活、RMSprop优化、交叉熵与Dice损失联合监督，输入归一化256×256×1，训练500 epoch。另析取浅化下采样阶段的SCSP-UNet与再剪枝SSCSP-UNet作轻量对照。
研究结果
3.1 自适应高斯直方图匹配结果
在500张图上对比原始、Gamma、对数变换、直方图均衡、常规直方图匹配与所提方法，自适应高斯直方图匹配取得最高Dice、PA、MPA与mIoU；较原始图Dice提升14.11%，较Gamma提升33.37%，较对数提升17.66%，较均衡提升0.52%，较常规匹配提升1.11%，表明该预处理可降低灰度异质对分割的干扰。
3.2 CSP-UNet结果
消融实验显示单独替换CSPDX编码器或CSP2解码器分别降本28.36%与42.55%，但单换不提升Dice；二者并集得完整CSP-UNet，参数量20.01 M、Dice 0.9927，收敛趋势与Classic U-Net相近。SiLU较ReLU、LeakyReLU、ELU训练更稳且验证Dice具竞争力。
3.3 不同分割模型结果
CSP-UNet与Classic U-Net、Res-UNet、Attention U-Net、Swin U-Net同设对比，Dice 0.9927、PA 0.9839、MPA 0.9810、mIoU 0.9542，FLOPs 46.43 G；参数量仅为Classic U-Net的28.95%、Res-UNet的20.52%、Attention U-Net的28.63%、Swin U-Net的18.09%。可视化中对照网络出现蓝圈过分割、黄圈欠分割或红圈误分割，CSP-UNet在更少参数下视觉结果相当。
3.4 轻量级CSP-UNet分割实验
SCSP-UNet删减末阶下上采样，参数降至6.0 M（CSP-UNet的29.99%、Classic U-Net的8.68%），Dice 0.9912；SSCSP-UNet再降至5.9 M但Dice跌至0.9873，说明过度剪枝损精度。SCSP-UNet在资源受限场景可作效率—精度折中解。
讨论与结论翻译
讨论指出，自适应高斯直方图匹配通过K-means构模板提升了灰度一致性，完整CSPDX+CSP2在20.01 M参数下获Dice 0.9927，主要优势为降本而非超越精度；局限含单一固定切分、无外部多中心验证、小差异未做显著性检验。结论部分原文总结：本研究提出CSP-UNet与自适应高斯直方图匹配法，前者以CSPDX编码器与CSP2解码器在保性能下降参至20.01 M（Dice 0.9927），SCSP-UNet进一步降至6 M（Dice 0.9912）；所生成手部掩膜可为后续定量放射分析提供预处理基础，但研究限于单任务、无外验与显著性检验，未来需多中心、重采样与统计验证。
