ACLA-Net：面向基于MRI的前列腺癌病灶分割的注意力引导跨层级对齐网络

《Frontiers in Physiology》：ACLA-Net: attention-guided cross-level alignment network for MRI-based prostate cancer lesion segmentation

　　

得益于无辐射特性和优异的软组织对比度，磁共振成像（magnetic resonance imaging，MRI）已成为前列腺癌诊断中的重要模态。然而，由于病灶形态和尺度差异显著，且肿瘤与周围组织边界常不清晰，MRI中前列腺癌病灶的自动分割仍具挑战。为此，研究人员提出ACLA-Net，一种面向基于MRI的前列腺癌病灶分割的注意力引导跨层级对齐网络（attention-guided cross-level alignment network）。该方法以U-Net为基线，在第二、三、四跳连接中引入跨层级特征对齐模块（cross-level feature alignment module，CLFAM）以增强不同语义层级编码器特征的交互与对齐；在第一跳连接中引入空间注意力引导融合模块（spatial attention-guided fusion module，SAFM）以突出判别性空间线索并改善浅层特征融合；在瓶颈阶段采用SE引导上下文聚合模块（SE-guided context aggregation module，SECAM）以捕获更丰富的全局上下文并强化高层语义表示；同时将编码器中常规双卷积块替换为SE引导多核深度可分离模块（SE-guided multi-kernel depthwise module，SEMKDM），在提升多尺度特征提取能力的同时降低计算冗余。研究在两个自建前列腺癌MRI数据集ProstateCancer-T2WI与ProstateCancer-ADC以及公共DDTI甲状腺数据集上开展实验。在ProstateCancer-T2WI上，ACLA-Net的Dice、MCC（Matthews correlation coefficient）和Jaccard分别为0.7798、0.7782和0.6403；在ProstateCancer-ADC上分别为0.8332、0.8328和0.7159；在DDTI上分别为0.7752、0.7438和0.6338。消融实验验证了各模块有效性。结果表明，ACLA-Net在前列腺癌MRI分割中具有可靠性能，并在公共数据集上表现出良好泛化能力，可为病灶勾画及后续临床评估提供有用支持。

论文《ACLA-Net：面向基于MRI的前列腺癌病灶分割的注意力引导跨层级对齐网络》发表于《Frontiers in Physiology》。研究背景方面，前列腺癌是男性泌尿生殖系统常见恶性肿瘤，早期常无症状，进展后可出现排尿异常、血尿和骨痛等，临床管理依赖手术、放疗、内分泌及化疗等综合策略。磁共振成像（magnetic resonance imaging，MRI）因无辐射和软组织对比度好，已成为前列腺癌检测、定位、靶向穿刺、局部分期、主动监测、治疗计划和复发评估的重要模态。传统手动勾画耗时、依赖经验且观察者间差异大；早期传统图像处理方法在强度不均、边界模糊、形态多变和周围组织干扰下稳定性不足。现有基于U-Net的深度学习模型虽能端到端学习分层特征，但标准跳跃连接多采用直接拼接，缺乏跨层级对齐与选择性融合，编码器常规卷积对复杂多尺度上下文建模有限，导致小病灶、边界模糊和对比度低区域易出现漏检、误检和边界不准。

为应对上述问题，研究人员构建ACLA-Net，在以U-Net为骨架的编解码结构中，用SE引导多核深度可分离模块（SE-guided multi-kernel depthwise module，SEMKDM）替代编码器双卷积块，用空间注意力引导融合模块（spatial attention-guided fusion module，SAFM）处理第一跳连接中的浅层特征，用跨层级特征对齐模块（cross-level feature alignment module，CLFAM）处理第二、三、四跳连接中的多层级特征，在瓶颈阶段加入SE引导上下文聚合模块（SE-guided context aggregation module，SECAM），并以Dice损失（Dice loss）监督训练。两个主要关键技术方法可概括为：第一，SEMKDM先以3×3卷积提取初步局部特征，再依次通过5×5深度可分离卷积（depth-wise convolution，DW-Conv）与7×7深度可分离空洞卷积（depth-wise dilated convolution，DW-D-Conv）获取多尺度上下文，经压缩激励（squeeze-and-excitation，SE）层重标定通道响应后与原分支逐元素相乘；第二，SAFM、CLFAM与SECAM分别通过空间注意力图调制浅层特征、将Layer2至Layer5编码器特征上采样对齐后经不同膨胀率3×3卷积融合、以及将自适应平均池化（adaptive average pooling，AAP）分支与SE分支拼接并加残差1×1卷积分支来强化全局上下文与高层语义。样本队列来自宜宾市第一人民医院201例患者的3.0-T MRI资料，据此自建ProstateCancer-T2WI与ProstateCancer-ADC，并以公共DDTI甲状腺超声数据集作外部验证，所有数据按患者级别划分训练、验证和测试集。

研究结果如下。3.1 Dataset：研究人员使用宜宾市第一人民医院201例患者构建ProstateCancer-T2WI与ProstateCancer-ADC，并经四位经验临床医生协作勾画病灶、讨论达成共识获得真值；ProstateCancer-T2WI含1030张图，训练618、验证206、测试206，ProstateCancer-ADC含890张图，训练534、验证178、测试178；公共DDTI含637张甲状腺超声图，训练383、验证127、测试127；数据严格按患者划分以避免病例泄漏。3.2 Evaluation metrics：研究人员采用Dice、MCC（Matthews correlation coefficient）和Jaccard三项指标，从重叠度、相关一致性和集合相似度角度定量评价预测掩码与真值。3.3 Implementation details：研究人员基于PyTorch 2.0.0与NVIDIA GeForce RTX A6000实现模型，Adam优化器、学习率1×10^?3、200轮、批量16、图像缩放到256×256，推理以0.5为阈值二值化，固定随机种子并保证确定性计算。3.4 Ablation study：研究人员以U-Net为基线逐步加入CLFAM、SAFM、SECAM、SEMKDM，在ProstateCancer-T2WI上Dice由0.7006升至0.7798，MCC由0.7117升至0.7782，Jaccard由0.5427升至0.6403，说明跨层级对齐、空间注意力、上下文聚合与多核深度可分离设计均对性能有正向贡献，完整ACLA-Net取得最优。3.5 Comparison study：研究人员在ProstateCancer-T2WI与ProstateCancer-ADC上比较W-Net、2MSPK-Net、DESENet、LMFR-Net、PGA-Net、GAC-Net、BRRNet、PMFSNet、Ultranet、BMANet等模型；ACLA-Net在T2WI上Dice 0.7798、MCC 0.7782、Jaccard 0.6403，优于最强对照PGA-Net；在ADC上Dice 0.8332、MCC 0.8328、Jaccard 0.7159，优于最强对照Ultranet，且标准差更小，显示更高精度与更稳定性能。

讨论部分指出，常规U-Net跳跃连接的一对一直连忽视层级间语义差异，而ACLA-Net通过SEMKDM、SAFM、CLFAM与SECAM的统一设计，使浅层空间细节、深层语义、全局上下文和多尺度感受野在编解码过程中更好协同，从而对小病灶、形态不规则病灶和边界模糊区域更鲁棒。研究结论部分译为：ACLA-Net是一种面向基于MRI的前列腺癌病灶分割的注意力引导跨层级对齐网络；消融与对比实验表明，该网络在两个自建前列腺癌MRI数据集上取得可靠分割性能，在公共DDTI数据集上展现良好泛化能力。该工作说明，跨层级特征对齐与阶段特异性特征增强可有效缓解前列腺癌MRI中病灶尺度多变、边界不清和背景干扰带来的分割困难，具有为病灶勾画和后续临床评估提供有用支持的潜力。