D2HU-Net：医学图像分割领域的创新突破

为解决医学图像分割难题，研究人员提出 D2HU-Net，实验表明其分割能力先进，助力疾病诊疗。

　　在医学领域，准确地从医学图像中分割出器官或病变区域，就像是给医生们配备了一双 “透视眼”，对于疾病的精准诊断、病情分析以及治疗方案的制定都至关重要。然而，目前手动标注和分割医学图像在临床实践中面临着重重挑战。一方面，病变区域形态多样，与相邻组织的灰度相似，再加上图像噪声干扰，使得手动分割极易出现过度分割或分割不足的情况；另一方面，医学图像本身存在体积小、对比度低、相邻边界模糊以及不同患者甚至同一患者不同部位病变区域差异大等问题，而且不同成像设备获取的图像清晰度也不同，这些都导致了分割的准确性难以保证。因此，开发一种能够快速、准确识别和分割医学图像中目标区域的模型迫在眉睫。

在此背景下，齐齐哈尔医学院的研究人员展开了深入研究，并将成果发表在《Scientific Reports》上。他们提出了一种基于双分支动态分层 U-Net（D2HU-Net）的医学图像分割方法，该方法在多个方面展现出了创新性和优越性。

研究人员在设计模型时，主要运用了以下几种关键技术方法：一是构建双分支结构，包含一个编码路径和两个解码路径，浅解码路径为深解码路径提供指导；二是设计动态多尺度分层模块（DML），由两个动态卷积层和一个分层模块组成，增强网络多尺度表达能力；三是引入多层空间注意力融合模块（MSAF），通过多尺度特征融合去除噪声，聚焦目标区域特征。研究中使用了四个多模态医学图像数据集，包括 Synapse 多器官分割数据集、皮肤病变分割数据集（ISIC 2018）、胸部 X 光数据集以及 Kvasir-SEG 数据集。

下面来看看具体的研究结果：

1. Synapse 多器官分割数据集：在该数据集上，D2HU-Net 与 9 种先进的分割模型进行对比，结果显示其在各项评估指标上表现优异。DICE 系数达到 80.39±0.19%，比表现第二好的 TransformU-Net 高出 0.87%；IOU 为 68.32±0.13% ，RAVD 为 1.54±0.09%，在这两项指标上也有明显提升；ASSD 和 MSSD 分别降低了 0.5 和 2.02。定性分析结果表明，该方法能准确分割精细复杂的结构，对复杂背景具有更强的鲁棒性。
2. 皮肤病变分割数据集：D2HU-Net 在该数据集的 5 个评估指标中，除 ASSD 外均领先于其他竞争方法。相比最先进的 HiFormer，DICE 系数提高了 1.25%，IOU 提高了 0.12%，在 RAVD 和 MSSD 上也具有显著优势，且各评估指标的方差较小，体现出良好的稳定性。从定性分析可视化结果来看，在大小区域目标上，D2HU-Net 生成的轮廓都更准确，更接近标签图。
3. 胸部 X 光数据集：在这个数据集上，除 RAVD 外，D2HU-Net 的其他指标都远超其他方法。其 DICE 系数高达 97.2±0.08% ，比 TransformU-Net 高出 0.3%；IOU 为 94.5±0.14%，提升了 0.4%；ASSD 和 MSSD 分别降低了 0.53 和 3.3，同时方差最小，表明其稳定性良好。定性分析结果显示，D2HU-Net 在肺部 X 光图像分割上取得了不错的效果。
4. Kvasir-SEG 数据集：D2HU-Net 在该数据集上的所有指标均优于其他模型。DICE 系数比第二好的 TransformU-Net 高 0.7%，IOU 比 HiFormer 高 1.7%，ASSD 和 MSSD 分别降低了 0.63 和 0.02。由于胃肠道息肉分割存在颜色相似、边界不清和光照不均等困难，而 D2HU-Net 凭借多层空间注意力融合模块，能更好地融合高低级语义信息，从而更准确地提取息肉结构。

此外，研究人员还进行了消融实验，验证了动态多尺度分层模块、多层空间注意力融合模块以及双分支结构的有效性。实验表明，这些模块和结构都有助于提高模型的分割精度。在复杂度计算方面，D2HU-Net 在 GFLOPs 上排名第三，推理速度排名第二，不过由于其双解码路径等结构，导致参数数量较多。

总的来说，研究人员提出的 D2HU-Net 网络在医学图像分割领域取得了显著成果。它采用双分支解码路径，提高了网络的泛化能力；动态多尺度分层结构能有效整合和细化多尺度特征；多层空间注意力融合模块通过聚焦通道和空间维度特征，建立多维交互关系，提升了分割准确性。虽然该模型在处理低对比度、无边界的医学图像时还存在一些挑战，但在四个不同模态的医学图像数据集上的实验充分证明了其有效性和鲁棒性。这一研究成果为医学图像分割提供了新的思路和方法，有望在未来帮助医生更高效、准确地诊断和治疗疾病，推动医学领域的进步。