脑出血医学图像分割新突破：U - Net 与 Transformer 结合的创新模型

　　脑出血（Intracerebral Hemorrhage，ICH）医学图像分割在临床诊断和治疗规划中起着至关重要的作用。U - Net 架构因其编码器 - 解码器设计和跳跃连接而被广泛应用，但在准确勾勒像 ICH 区域这样的复杂结构时常常面临困难。最近，Transformer 模型被引入医学图像分割领域，通过捕捉长距离依赖关系提高了性能。然而，现有方法在非目标区域的错误分割以及目标区域详细信息的保留方面仍面临挑战。为了解决这些问题，研究人员提出了一种新颖的分割模型，该模型将 U - Net 的局部特征提取能力与 Transformer 的全局感知能力相结合。该方法引入了外部存储模块（External Storage Module，ES Module）来捕获和存储相邻切片之间的特征相似性，并采用自上而下注意力（Top - Down Attention，TDAttention）机制聚焦于相关病变区域，同时增强目标边界分割。此外，还引入了边界交并比（Boundary Distance - Over - Union，Boundary DoU）损失函数来改善病变边界的描绘。在福建医科大学附属第二医院的颅内出血数据集（Intracranial Hemorrhage Sub - Aneurysmal Hemorrhage，IHSAH）以及公开可用的脑出血分割数据集（Brain Hemorrhage Segmentation Dataset，BHSD）上进行的评估表明，该方法在 IHSAH 和 BHSD 数据集上的 Dice 相似系数（DSC）分别达到 91.29% 和 85.10%，分别比排名第二的级联 MERIT 高出 2.19% 和 2.05%。而且，该方法能够更好地呈现病变细节，显著有助于提高诊断准确性。<【脑出血医学图像分割新突破：U - Net 与 Transformer 结合的创新模型】
【为解决脑出血（ICH）医学图像分割难题，研究人员结合 U - Net 与 Transformer 开展研究，成果显著提升分割精度。】
【脑出血 | 医学图像分割 | U - Net|Transformer | 特征提取 | 边界分割】
【国内】
【在临床诊断和治疗规划里，脑出血（Intracerebral Hemorrhage，ICH）医学图像分割至关重要。U - Net 架构凭借其编码器 - 解码器设计和跳跃连接被广泛应用，然而在精确勾勒 ICH 区域这类复杂结构时却力不从心。近年来，Transformer 模型融入医学图像分割领域，通过捕捉长距离依赖关系提升了性能。但现有方法在非目标区域的误分割以及目标区域细节保留方面依旧存在问题。为此，研究人员提出了一种创新的分割模型，将 U - Net 的局部特征提取优势与 Transformer 的全局感知能力相结合。该模型引入外部存储模块（External Storage Module，ES Module ），用于捕获和存储相邻切片间的特征相似性；同时采用自上而下注意力（Top - Down Attention，TDAttention）机制，聚焦相关病变区域，强化目标边界分割。此外，还引入边界交并比（Boundary Distance - Over - Union，Boundary DoU）损失函数，优化病变边界描绘效果。在福建医科大学附属第二医院的颅内出血数据集（Intracranial Hemorrhage Sub - Aneurysmal Hemorrhage，IHSAH）和公开的脑出血分割数据集（Brain Hemorrhage Segmentation Dataset，BHSD）上的评估显示，该方法在 IHSAH 和 BHSD 数据集上的 Dice 相似系数（DSC）分别达到 91.29% 和 85.10%，比排名第二的级联 MERIT 分别高出 2.19% 和 2.05%。而且，该方法能更清晰地展示病变细节，极大地助力提升诊断准确性。