双通道深度神经网络与测试时增强提升骨髓病变分割性能

《Electronics》：Enhancing Bone Marrow Lesion Segmentation Through Dual-Channel Deep Neural Networks and Test-Time Augmentation

　　

骨髓病变（Bone Marrow Lesion，BML）体积是理解膝关节骨关节炎（Knee Osteoarthritis，KOA）的重要生物标志物。然而，由于膝关节磁共振图像（Magnetic Resonance Image，MRI）中这些病变形状不规则且边界模糊，自动BML分割仍具挑战性。为改进BML分割，研究人员在BML分割特定背景下考察了两种成熟策略：（1）在深度神经网络中集成骨分割作为附加输出通道以辅助BML分割；（2）引入测试时增强（Test-Time Augmentation，TTA）以降低测试阶段的不确定性。新增的骨分割通道提供辅助解剖信息，有助于BML定位；TTA通过生成更鲁棒的预测改善边界对齐并减少假阳性。研究人员采用多种前沿分割深度神经网络作为基线模型，比较所提策略实施前后的性能。在300名受试者的膝关节MR扫描数据集上进行10折交叉验证，使用Dice相似系数（Dice Similarity Coefficient，DSC）评估重叠精度，95%豪斯多夫距离（95% Hausdorff Distance，HD95）评估边界对齐，配对t检验评估改进显著性。两种策略均带来性能提升，但幅度与显著性因架构而异。Residual U-Net的DSC从63.1%升至64.8%，Swin UNETR从64.2%升至65.8%，Attention U-Net从61.5%升至66.5%，UNet++从66.6%升至69.0%；HD95同步降低。同框架下对比其他医学分割模型，双通道UNet++结合TTA取得最高BML DSC 69.0%，其后U-Mamba为68.6%、nnU-Net为65.2%、U-Net+InceptionResNet-v2为57.7%。结果表明双通道与TTA策略对自动化BML分析具有潜在价值，但需在独立数据集进一步验证泛化性与临床效用。

研究背景方面，骨关节炎（Osteoarthritis，OA）是美国高发慢性病，骨髓病变（Bone Marrow Lesion，BML）作为软骨下骨内MRI高信号区域，与OA进展、软骨退化及疼痛强相关，是早期预后重要生物标志物。但BML形态不规则、边界不清、体积变异大，手动分割耗时且主观，大规模纵向研究亟需自动化方案。既往深度学习尝试受限于小病变漏检、假阳性高、未显式利用BML与骨的解剖毗邻（BML位于骨内且距关节面≤10 mm），因此研究人员开展本研究以解剖引导的双通道多任务框架联合测试时增强（Test-Time Augmentation，TTA）提升分割鲁棒性。论文发表于《Electronics》。

关键技术方法上，研究人员选用骨关节炎倡议（Osteoarthritis Initiative，OAI）公开数据中300名受试者（KL 0–4级，单膝中间加权脂肪抑制（Intermediate-Weighted Fat-Suppressed，IWFS）MRI，34–39张二维切片）作为队列；采用10折分层交叉验证并按BML体积分层分折；构建双通道输出（骨+BML）扩展Residual U-Net、Swin UNETR、Attention U-Net、UNet++；损失函数为Dice损失与交叉熵加权和（Combo loss，α=0.5）；训练用MONAI标签引导裁剪至256×256斑块；推理阶段对每图做原图及水平/垂直翻转共4次前向，逆变换后像素级投票（Pixel-Wise Voting，PWV，阈值τ=0.5）得最终掩码；评测指标为Dice相似系数（DSC）与95%豪斯多夫距离（HD95），统计用折级配对t检验与Spearman相关。

研究结果各节浓缩如下。数据集与预处理节：300例OAI受试者，BML与骨掩码由训练阅片者半自动工具校订为金标准；按BML体积分10组作StratifiedKFold，训练用RandCropByPosNegLabeld提高前景采样。双通道模型节：输入x∈?^C×W×H，输出y∈?^2×W×H双通道共享权重，骨通道提供解剖约束缩小BML搜索区。损失函数节：L_combo=0.5L_CE+0.5L_Dice兼顾类别不平衡与概率校准。TTA后处理节：4向翻转+PWV在不重训下平抑单程不稳定预测，垂直翻转补强下缘平滑区一致性。评测指标节：DSC与HD95互补，患者级聚合后再折级平均作配对检验（n=10）。实现细节节：PyTorch 2.8+MONAI，P100 12 GB，学习率6.4×10^?3余弦退火，AdamW，batch 8，早停75轮。BML分割结果节：双通道+TT下UNet++达DSC 69.0±11.9%、HD95 11.8±9.7 mm；Attention U-Net双通道DSC显著提升（p<0.01），Residual U-Net与Swin UNETR双通道DSC不显著但HD95显著降；TTA对所有模型DSC与HD95均显著改善（p<0.01）；折叠级骨DSC与BML DSC提升Spearman ρ=0.673（p=0.033），患者级ρ=0.178（p=0.007）；损失权重消融0.5:0.5得最高DSC、0.7:0.3得最低HD95。横向对比节：双通道UNet++TTA 69.0%居首，U-Mamba 68.6%，nnU-Net 65.2%，U-Net+InceptionResNet-v2 57.7%。

讨论部分指出，双通道并非首创多任务而是首次在BML场景系统评估骨解剖辅助价值，骨分割质量与BML提升相关但非因果；架构间差异源于优化行为与超参敏感；TTA对不规则低对比边界收益明显且去假阳性；绝对DSC 69%尚缺临床充足性阈值，需结合体积量化与纵向监测判断；计算开销未量化，单程与TTA取舍依场景而定；局限含单中心OAI无外部验证、未测推理耗时、骨任务误差反向影响机制未析。结论节翻译：本研究在四种分割模型上评估双通道架构与TTA对膝关节MRI中BML分割的改进，两策略均提升性能但幅度因架构而异；主模型中UNet++结合两策略获最高BML DSC 69.0±11.9%，TTA在所有模型显著提升DSC并降HD95；横向对比双通道UNet++TTA居首。结果支持辅助骨分割与TTA在BML分割中的任务专用价值，但需独立数据集进一步验证泛化与临床效用。