Diffusion-CSPAM U-Net：为脑转移 CT 图像分割带来新突破的创新模型

《Radiation Oncology》：Diffusion-CSPAM U-Net: A U-Net model integrated hybrid attention mechanism and diffusion model for segmentation of computed tomography images of brain metastases

为解决资源受限地区脑转移患者无法获取 MRI 成像，致使 CT 图像分割困难的问题，研究人员开展了 Diffusion-CSPAM U-Net 模型用于脑转移 CT 图像分割的研究。结果显示该模型在外部验证集上表现优异，为放疗科医生提供了有效工具。

　　在癌症的众多并发症里，脑转移是较为常见且棘手的一种。它是由身体其他部位的癌细胞转移至脑部形成的继发性肿瘤，在 10% - 40% 的实体瘤患者中都有出现。这一并发症会让患者出现头疼、神经功能缺损、癫痫以及认知障碍等症状，严重影响他们的生活质量和预后。在临床治疗中，精准确定脑转移瘤的大体肿瘤体积（GTV）对于放疗计划的制定至关重要，然而目前常用的 MRI 模拟定位在一些资源受限的地区并不可行，而 CT 虽然应用广泛，但手动从 CT 图像中分割 GTV 难度极大，不仅耗费人力和时间，而且不同观察者之间的差异会导致治疗结果不一致。因此，开发一种可靠的 CT 图像脑转移分割模型迫在眉睫。

西南医科大学等研究机构的研究人员开展了一项关于 Diffusion-CSPAM U-Net 模型用于脑转移 CT 图像分割的研究。研究结果表明，该模型在脑转移 CT 图像分割方面表现出色，为放疗科医生提供了有力的工具，这一成果发表在《Radiation Oncology》上。

为开展这项研究，研究人员采用了多种关键技术方法。首先，收集了来自江西肿瘤医院（n = 205）和西南医科大学附属医院（n = 45）的患者数据，这些患者均在 2016 年 1 月至 2022 年 1 月期间接受过放疗。然后对所有患者的图像进行预处理，包括重采样、降噪、直方图均衡化和灰度归一化等。接着，使用扩散模型对图像进行预处理增强，通过正向噪声添加和反向重建过程来提升图像质量。同时，基于标准 U-Net 架构，融入通道、空间和位置注意力模块（CSPAM），并将扩散模型处理后的图像与原始图像进行特征融合。此外，还引入条件扩散模型对分割边界进行优化，最后通过设计复合损失函数对模型进行训练和评估。

研究结果如下：

1. 合成 CT 图像的定量比较：通过与几种生成对抗网络（GAN）模型对比，Diffusion-CSPAM U-Net 模型在图像合成质量上表现最佳，其峰值信噪比（PSNR）达到 34.21 ± 4.70 dB，结构相似性指数（SSIM）为 0.91 ± 0.04，在噪声鲁棒性和结构保真度方面均超越了其他模型。
2. 分割模型复杂性和计算性能：研究对比了不同网络配置的模型复杂性和计算性能，发现随着注意力模块的逐步添加，模型参数数量和计算成本虽有所增加，但能带来更强大的特征表示和更高的分割精度。
3. 整体模型性能评估：Diffusion-CSPAM U-Net 模型在内部和外部验证中均表现卓越。内部验证中，其 Dice 相似系数（DSC）为 84.4% ± 12.8%，交并比（IoU）为 73.1% ± 12.5%，准确率为 97.2% ± 9.6%，敏感性为 83.8% ± 11.3%，特异性为 97.2% ± 13.8%，Hausdorff 距离（HD）为 5.107 ± 0.984 mm；外部验证中，DSC 为 79.3% ± 13.3%，IoU 为 69.2% ± 13.3%，准确率为 95.5% ± 11.8%，敏感性为 80.3% ± 12.1%，特异性为 93.8% ± 14.0%，HD 为 5.606 ± 0.990 mm。
4. 基于不同大小脑转移瘤的亚组模型性能结果：该模型在不同大小脑转移瘤的分割中均表现良好。对于小于 5mm 的转移瘤，DSC 为 65.2% ± 16.3%；5 - 20mm 的转移瘤，DSC 为 77.5% ± 14.1%；大于 20mm 的转移瘤，DSC 为 81.6% ± 11.8%，瘤体越大，模型性能越高。
5. 与其他脑转移 CT 图像分割模型的整体性能比较：Diffusion-CSPAM U-Net 模型在多个关键指标上优于其他先进模型，如与 GAN + Mask-RCNN + CRF 模型相比，DSC 提高了 8.2%，IoU 提高了 8.1%；与 PAM-U-Net 相比，DSC 提高了 5.3%，IoU 提高了 3.0%。
6. 通道和空间注意力模块池化方法的消融实验：实验表明，结合平均池化和最大池化的混合池化策略在 CSPAM-U-Net 模型中能达到最高的分割性能，Dice 相似系数为 75.6%，交并比为 65.6%。

研究结论和讨论部分指出，Diffusion-CSPAM U-Net 模型在脑转移 CT 图像分割方面取得了显著进展，相比现有模型，在多个性能指标上都有明显提升，尤其是敏感性和准确性，这大大降低了漏诊风险。不过，该模型也存在一些局限性，如对小于 5mm 的脑转移瘤整体分割性能有限，且模型在处理不同设备、成像参数和人群的数据时可能会受到影响。未来研究可进一步优化扩散模型和注意力机制的参数，引入更智能的噪声处理方法和多层注意力机制，同时收集更多不同来源的脑转移 CT 图像数据，以增强模型的泛化性和鲁棒性。总体而言，Diffusion-CSPAM U-Net 模型为资源受限地区的放疗科医生提供了有效的脑转移 CT 图像分割工具，具有重要的临床应用价值，为脑转移的精准治疗带来了新的希望。