基于混合注意力循环残差U-Net的超声脊柱图像分割方法在脊柱侧凸诊断中的应用研究

为解决脊柱侧凸诊断中X射线辐射风险及超声图像低对比度、斑点噪声等问题，研究人员开发了混合注意力循环残差U-Net（Hybrid R2AU-Net）模型，用于超声脊柱图像分割。该模型整合了注意力机制、循环残差块和密集连接，在 Dice Score（85.2%）、Jaccard Index（74.3%）和检测率（92.4%）上均优于现有模型，为无辐射自动化脊柱侧凸诊断系统提供了关键技术支撑。

　　

脊柱侧凸（Scoliosis）是一种以脊柱三维畸形为特征的常见骨骼疾病，传统诊断依赖X射线成像和Cobb角测量，但电离辐射的潜在致癌风险限制了其重复使用。超声成像因其无辐射、低成本和高便携性成为理想替代方案，然而其图像存在低对比度和斑点噪声的固有缺陷，严重影响诊断准确性。如何通过计算手段提升超声脊柱图像质量，成为医疗影像领域亟待解决的难题。

针对这一挑战，香港理工大学的研究团队开发了一种名为混合注意力循环残差U-Net（Hybrid Recurrent Residual Attention U-Net, Hybrid R2AU-Net）的新型深度学习模型。该研究创新性地融合了U-Net++的密集连接、Attention U-Net的注意力门控和R2AU-Net的循环残差模块，在保持原始图像分辨率的前提下，实现了对脊柱骨性结构的高精度分割。相关成果发表在《Biomedical Signal Processing and Control》期刊，为构建无辐射的自动化脊柱侧凸诊断系统提供了关键技术突破。

研究采用香港理工大学开发的Scolioscan系统采集的109例患者三维超声体积投影成像（VPI）数据集，通过非平面重切片技术生成冠状面二维图像。关键技术包括：1）设计五层编码器-解码器架构，引入简化版密集连接路径减少语义鸿沟；2）集成时间步长t=3的循环残差块（RecRes Blocks）增强特征保留能力；3）采用自注意力模块（AGs）动态聚焦关键解剖结构；4）通过Dice Score、Jaccard Index和检测率多指标评估性能。

研究结果显示，在脊柱结构分割方面，Hybrid R2AU-Net以85.2%的Dice Score和74.3%的Jaccard Index显著优于传统U-Net（83.1%/71.3%）和R2AU-Net（84.8%/73.7%）。特别值得注意的是其检测率表现：对胸椎骨性特征（TBFs）和腰椎骨性特征（LBFs）的检测率分别达到93.9%和88.1%，总检测率92.6%，较R2AU-Net提升6.5个百分点。定性分析显示，该模型能准确分割TBFs与LBFs过渡区域（如图5），避免骨结构重叠（如图6），并正确识别椎体数量（如图7）。

在模型复杂度方面，Hybrid R2AU-Net虽含32.9M参数略高于R2AU-Net（32.0M），但通过优化注意力机制参数，实现了性能与计算资源的平衡。统计检验证实，其在胸椎检测率上较R2AU-Net具有显著优势（p=0.0184），为临床关键区域的分析提供了更可靠保障。

讨论部分指出，该研究的核心价值在于首次将多模态深度学习技术成功应用于全尺寸超声脊柱图像分割。通过保持原始图像尺寸（640×2560像素）的处理策略，避免了既往研究需要大幅降采样导致的细节丢失问题。临床意义上，高精度的骨结构分割为超声曲线角（UCA）计算奠定了坚实基础，这种无辐射的脊柱曲率评估方法，可显著降低青少年患者的累积辐射暴露风险。

研究同时指出了当前局限：数据集样本量较小（109例），且对严重侧凸患者的椎体缺失区域分割效果有待提升。未来工作将聚焦于扩大样本多样性、开发硬件加速方案，并探索图像质量预评估算法以指导临床扫描。这项技术的推广应用，有望重塑脊柱侧凸筛查范式，推动医学影像诊断向更安全、更智能的方向发展。