基于 STS-Net 的医学图像小目标分割新框架：突破与展望

《Scientific Reports》：A novel framework for segmentation of small targets in medical images

为解决医学图像小目标分割难题，研究人员开展 STS-Net 网络研究，实验证明其效果优异，助力医学诊断。

　　在医学图像的神秘世界里，精准的图像分割就像是一把钥匙，能够帮助医生打开疾病诊断的大门，更准确地识别病变区域，为后续治疗提供有力支持。然而，随着研究的深入，医学图像分割领域遇到了不小的挑战。传统的医学图像分割算法，在面对复杂的医学图像时，就像遇到了重重迷雾。例如基于灰度直方图的阈值法，在处理高噪声或背景前景差异小的图像时，常常力不从心；而卷积神经网络（CNN）虽然在医学图像分割中取得了一定成果，但在分割小目标时，也存在诸多困难。

小目标在医学图像中就如同隐藏在暗处的 “小怪兽”，难以被精准捕捉。一方面，医学图像中病变区域的样本往往不均衡，小目标的数量较少；另一方面，现有的网络在处理小目标时，由于卷积和池化操作，容易丢失关键信息，导致分割不准确。例如在处理 SCCM-2022 数据集时，nnU-Net 就因为小病变像素尺寸过小，无法准确识别病变区域。面对这些困境，来自福州大学物理与信息工程学院等研究机构的 Longxuan Zhao、Tao Wang 等研究人员，决心挑战这一难题，开展了关于医学图像小目标分割的研究，其成果发表在《Scientific Reports》上。

研究人员提出了一种名为 STS-Net（Small Target Segmentation Network）的新型分割框架，旨在攻克医学图像小目标分割的难题。该研究主要运用了以下几种关键技术方法：

• 数据增强技术：通过一系列操作，如裁剪、缩放、翻转等，对小目标图像进行处理，增加数据的多样性，提升模型的泛化能力。
• ResNeXt 块：采用 ResNeXt50-32x4d 架构作为编码器，其多分支结构和残差连接，在保证计算效率的同时，实现了更优的特征表示。
• ESCA 块：引入高效小通道注意力（ESCA）机制，增强了网络对通道间关系的学习能力，有效捕捉图像不同通道的相关性。

研究结果如下：

• 数据集表现优异：研究人员使用了四个公开数据集进行实验，包括 SCCM-2022 数据集、BUID-S 数据集、ISIC2017 数据集和 Lungs CT-Scan 数据集。在 SCCM-2022 数据集上，STS-Net 的分割指标 mDice、mIoU、Jaccard、Recall 和 Precision 分别达到了 82.13%、77.45%、55.12%、62.96% 和 68.56%，优于其他对比方法。在 BUID-S 数据集上，该算法也取得了良好的性能，mDice 为 86.80%，mIoU 为 83.86%。在 ISIC2017 数据集和 Lungs CT-Scan 数据集上，STS-Net 同样表现出色，展现了其在不同数据集上的适应性和优越性。
• 消融实验验证有效性：研究人员进行了消融实验，分析了 STS-Net 中各个模块的有效性和贡献。实验表明，ResNeXt50-32x4d 作为编码器、DeepLabV3 作为解码器时，模型的准确性最高。同时，数据增强方法中的方法 4（利用中心增强放大病变区域特征信息）效果最佳。此外，ESCA 注意力机制相较于其他注意力机制，更能有效提升模型性能，证明了其在小目标分割中的重要性。

研究结论和讨论部分指出，STS-Net 通过有效的扩增模块扩大病变区域和样本数量，并在编码阶段结合 ESCA 模块获取丰富的语义信息，显著提高了网络的分割性能。然而，该方法也存在一定局限性，在处理大面积病变、多个病变区域和不规则分布的血管分割等任务时，表现欠佳。但不可否认的是，STS-Net 在医学图像小目标分割领域迈出了重要一步，为医学专业人员诊断微小病变的罕见疾病提供了有力的帮助，推动了医学图像分割技术的发展，也为后续研究指明了方向，激励着科研人员不断探索更完善的小目标医学图像分割策略和模型。