基于区域与上下文表征的骨肿瘤识别策略：助力精准医疗新突破

《Scientific Reports》：Bone tumor recognition strategy based on object region and context representation in medical decision-making system

为解决骨肿瘤 MRI 图像分割难题，研究人员提出 RCROS 策略，实验效果佳，辅助临床诊断意义重大。

　　在人体健康的 “战场” 上，骨肿瘤犹如一颗隐匿的 “定时炸弹”，时刻威胁着人们的生命健康。它生长迅速，预后较差，死亡率颇高。虽说其总体发病率相较于其他癌症不算高，但在不同国家，患者的五年生存率差异巨大。在医疗资源丰富的发达国家，骨肿瘤患者的五年生存率可达 85%，而在发展中国家，由于医疗资源匮乏，这一数据要低得多，像我国，每年新增 4000 - 5000 例骨肿瘤患者，可生存率仅为 50% - 60%。

当前，医学影像检查是诊断骨肿瘤的重要手段，其中 MRI 能有效显示骨肿瘤病变范围和骨髓腔受累情况，应用广泛。然而，发展中国家在骨肿瘤的诊疗过程中却困难重重。一方面，医疗资源稀缺与庞大人口基数的矛盾突出，以我国为例，14.4 亿人口仅有 390 万医生和 35394 家医院，平均每位医生要负责超 5000 名患者，医院人满为患，且医疗资源地理分布不均，农村地区仅拥有 30% 的医疗资源。另一方面，医疗技术落后与复杂诊断流程的矛盾也亟待解决，骨肿瘤诊断耗时久、难度大，多数发展中国家医疗基础设施薄弱，设备和技术不足，难以精准诊断。而且，人工分析的主观性与疾病复杂性之间也存在矛盾，成像分析缺乏明确标准，医生依赖经验易导致误诊，我国临床医疗每年误诊人数约 5700 万，恶性肿瘤平均误诊率达 40%。同时，放射科医生数量增长缓慢与成像数据快速增长的矛盾也日益凸显，我国成像数据每年增长 30%，而放射科医生仅增长 4.1%。

为了攻克这些难题，来自怀化第二人民医院、湖南医药学院总医院以及贵州大学计算机科学与技术学院公共大数据国家重点实验室的研究人员展开了深入研究。他们提出了一种基于对象区域和上下文表征（RCROS）的骨肿瘤识别策略，并将研究成果发表在《Scientific Reports》上。这一策略意义非凡，它在提升诊断准确性的同时，降低了资源消耗，减少了医生阅片时间，为临床决策提供了更精准的参考，犹如为骨肿瘤的诊疗点亮了一盏明灯。

在研究过程中，研究人员运用了多种关键技术方法。首先是数据预处理技术，针对 MRI 图像存在的质量问题、类型差异以及数据获取困难等情况，他们对骨肿瘤 MRI 图像进行二值化、归一化处理，去除无效背景区域，并利用简化的 MobileNetV2 模型对数据集进行分类和扩充。其次是像素增强分割方法（IMEocr），该方法以扩展的 ResNet - 101 为骨干网络，结合对象区域和上下文表征来增强像素表征，还引入了双注意力机制，提升模型对纹理细节的敏感度。此外，研究人员使用了 SegFix 算法对模型的分割结果进行优化，以提高肿瘤边界的分割精度。

下面来看具体的研究结果：

• 数据集优化效果显著：经过数据预处理和数据集优化，模型的性能得到显著提升。在骨肿瘤 MRI 数据集上，未经过预处理和边缘优化的模型准确率为 0.9756，而经过优化后的 RCROS 模型准确率达到 0.9943，召回率为 0.9426，且计算复杂度仅为 125.67G FLOPs，在保持低计算复杂度的同时，有效提高了模型的分割性能。
• 模型性能优势突出：与经典算法对比，RCROS 模型表现卓越。在对不规则形状肿瘤的分割中，一些传统方法，如 DCHS，常将病变误判为正常组织，分割效果较差；MTCF 虽有改进，但仍无法精确勾勒肿瘤边界。而 RCROS 模型不仅能精准定位肿瘤区域，还能有效处理骨肿瘤边界的不规则性和模糊性，在多个评估指标上优于其他模型。例如，在 Dice 相似系数（mDSC_os）指标上，RCROS 模型达到 0.9185，而经典的 U - Net 模型仅为 0.8927；在交并比（mIOU_os）指标上，RCROS 模型为 0.8874，U - Net 模型为 0.8672。同时，RCROS 模型在参数数量和计算复杂度上具有优势，其参数仅为 17.95M，计算复杂度为 125.67G FLOPs，在保证分割精度的同时，降低了硬件需求和训练成本。
• 模型通用性良好：在海马体 MRI 数据集上的测试结果显示，RCROS 模型表现出色，接近 Hazarika 研究的结果，证明该模型具有较好的通用性。并且，在训练时间方面，RCROS 模型优势明显，相较于 MSRN 和 MSFCN 等模型，它的训练时间最短，这使得其在实际应用中更具可行性。

研究结论和讨论部分指出，RCROS 系统涵盖数据预处理、分割模型和预测结果边界优化等部分，通过利用骨肿瘤 MRI 图像中的上下文和区域表征来增强每个像素的表征，在分割精度、训练时间和计算成本之间达到了良好的平衡。不过，该方法的性能高度依赖数据集的质量和多样性，若训练数据集不够全面或缺乏代表性，模型在实际应用中的泛化能力可能受限。未来，随着患者数据集的不断扩充和人工智能技术的发展，研究人员将结合跨域数据，借助迁移技术提升模型的泛化能力，同时，对海量未标记数据的利用也将成为研究重点。

总的来说，这项研究成果为骨肿瘤的诊断和治疗提供了强有力的支持，RCROS 策略有望成为临床实践中辅助骨肿瘤诊断的重要工具，推动骨肿瘤诊疗领域的发展，为全球众多骨肿瘤患者带来新的希望。