基于配对多尺度注意力网络的 99mTc-MAA SPECT/CT 肝脏肿瘤分割研究：突破与展望

《Scientific Reports》：A paired multi-scale attention network for liver tumor segmentation in 99mTc-MAA SPECT/CT imaging

为解决 SPECT/CT 肝脏肿瘤分割难题，研究人员构建 P-MANet 模型，提升分割精度，助力肝癌治疗规划。

　　在全球范围内，肝癌是一种极为常见且危害极大的恶性肿瘤。据美国癌症协会的调查显示，每年有超过 800,000 例肝癌新发病例，同时有超过 700,000 人因肝癌离世。选择性内放射治疗（SIRT）作为一种有效的肝癌非手术治疗手段，通过向肝脏肿瘤细胞的供血动脉注入带有放射性同位素钇 - 90（90Y）的小颗粒，阻断肿瘤的血液供应，进而使癌细胞逐渐死亡。在 SIRT 治疗前，通常会先注射放射性药物99mTc - 大颗粒聚合白蛋白（99mTc?MAA），并借助单光子发射计算机断层扫描 / 计算机断层扫描（SPECT/CT）进行成像，以此辅助治疗规划。然而，SPECT/CT 图像存在诸多问题，如空间分辨率有限导致的部分容积效应（PVE），使得光谱边界模糊不清，肿瘤半径在图像中可能会被放大，这严重影响了肝脏和肿瘤体积的精确评估，给放射剂量的准确计算带来极大挑战，进而影响 SIRT 治疗效果。

为攻克这些难题，来自朱拉隆功大学（Chulalongkorn University）的研究人员开展了深入研究，相关成果发表在《Scientific Reports》上。该研究旨在开发一种更精准的肝脏肿瘤分割模型，以提高 SIRT 治疗规划的准确性，减少治疗并发症，改善患者预后。

研究人员主要采用了以下关键技术方法：

1. 数据集准备：从朱拉隆功国王纪念医院（King Chulalongkorn Memorial Hospital）收集了 2016 - 2021 年肝癌（HCC）患者的99mTc?MAA SPECT/CT 图像数据。对图像进行预处理，将其大小从 512×512 像素调整为 256×256 像素，并运用数据增强技术，如随机裁剪、调整亮度和随机翻转等，以增加训练数据集的多样性。
2. 模型构建：提出了配对多尺度注意力网络（P - MANet）。该模型采用双分支架构，第一分支利用多尺度注意力网络（MA - Net）处理 SPECT/CT 数据集；第二分支运用白顶帽变换（White Top - hat Transform）提取特征，减少光谱光的主导影响，然后将两个分支的特征进行融合。MA - Net 是在 U - Net 基础上改进而来，添加了位置注意力块（PAB）和多尺度融合注意力块（MFAB），以增强对多尺度特征的捕捉能力。
3. 评估指标：使用骰子相似系数（DSC）、体积重叠误差（VOE）、灵敏度（Sensitivity）和相对体积差（RVD）这四个指标来评估模型的性能。

研究结果如下：

1. 模型性能比较：将 P - MANet 与其他先进模型，如 U - Net、U - Net++、LinkNet、金字塔场景解析网络（PSPNet）、金字塔注意力网络（PAN）和 MA - Net 等进行对比。结果显示，P - MANet 在整体上取得了最高的 DSC 准确率（67.00% ± 0.24）和最佳的 VOE（45.29% ± 0.24），超越了之前研究中 MA - Net（EfficientNet - B6 骨干网络）的最佳 DSC 结果（65%）。然而，P - MANet 的灵敏度（80.18% ± 0.23）和 RVD（77.51% ± 1.97）并非最优。
2. 不同光照条件下的性能分析：对 P - MANet 在正常和异常光谱光分布数据集上进行性能测试。通过逐步添加模型组件的方式，分别测试了独立的 MA - Net、仅在最后一层交叉添加特征输出的 P - MANet、除最后一层外所有层都交叉添加特征输出的 P - MANet 以及所有层都交叉添加特征输出的 P - MANet（最佳模型）。结果表明，在正常组中，所有层都交叉添加特征输出的 P - MANet 性能最佳；在异常组中，虽然部分指标在其他模型设置下表现更好，但整体来看，P - MANet 在提高分割准确性方面仍有一定优势。此外，切片评估发现，P - MANet 对正常图像的分割改善效果更为显著；而基于受试者的评估则表明，P - MANet 在处理异常组中的正常图像时，能有效提升分割性能。

研究结论和讨论部分指出，P - MANet 在 SPECT/CT 肝脏肿瘤分割方面展现出了卓越的性能，能够为放射科医生提供更准确的初始区域识别，减少手动标注的工作量，同时也为 SIRT 治疗规划提供了有力支持。尽管该模型在减少假阳性方面还有提升空间，但它在增强小真阳性区域检测方面表现出色，有助于降低遗漏肿瘤区域的风险。未来的研究可以从改进特征提取过程、探索更有效的特征融合算法以及优化预处理技术等方面入手，进一步提升 P - MANet 的性能，为肝癌的诊断和治疗提供更强大的技术支持。这一研究成果对于推动肝癌的精准治疗具有重要意义，有望在未来的临床实践中得到广泛应用，为众多肝癌患者带来新的希望。