基于注意力机制与边缘特征提取的BSAU-Net模型在脑肿瘤精准分割中的创新应用

为解决脑肿瘤MRI图像分割中全局上下文信息捕获不足和边缘细节模糊的问题，研究人员开发了集成空间注意力模块(SPA)和Sobel算子边缘提取模块(EA)的BSAU-Net模型。实验表明，该模型在BraTS2018/2021数据集上Dice系数达0.7506/0.7556，HD95降至2.1701/2.1543，显著提升肿瘤边界识别精度，为临床诊断提供更可靠的AI辅助工具。

　　

随着全球老龄化加剧，脑肿瘤发病率持续攀升，精准分割MRI图像成为临床诊断的关键挑战。传统卷积神经网络(CNN)存在长程依赖捕获能力弱、边缘特征提取不充分等缺陷，而现有U-Net变体对复杂肿瘤形态和弥散边界的处理仍不理想。重庆交通大学信息科学与工程学院的研究团队在《Scientific Reports》发表论文，提出新型BSAU-Net模型，通过创新性整合空间注意力机制与边缘特征强化模块，显著提升分割精度。

研究采用三大核心技术：1)基于Sobel算子的边缘特征提取模块(EA)，通过归一化处理增强肿瘤边界敏感性；2)空间注意力模块(SPA)利用膨胀卷积和转置卷积建立全局特征关联；3)结合BCELoss与DiceLoss的BADLoss函数，有效缓解医学图像中常见的类别不平衡问题。实验数据来自BraTS2018/2021公开数据集，包含T1/T1ce/T2/FLAIR四种模态的MRI图像。

【EA模块】通过Sobel算子提取边缘特征图，经sigmoid归一化后与编码器底层特征融合，使模型对肿瘤边界的分辨率提升1%（表3）。【SPA模块】采用公式Y_s=softmax(W_QX'·X'^TW_K^T)V(x)计算空间注意力权重，在BraTS2018数据集上使Dice系数提升7.1%（表3）。【分割优化】采用全连接条件随机场(CRF)进行像素级边缘细化，能量函数E(L)通过双指数项优化空间-强度一致性。

实验结果验证：在BraTS2018数据集上，BSAU-Net的Dice系数(0.7506±0.02)和敏感性(0.8998±0.01)均显著优于U-Net++等对比模型（表1）。特别在T1ce模态中，虽灵敏度(0.8991)略低于Attention U-Net(0.8997)，但整体分割效果更均衡（表2）。计算耗时4.9秒的代价换取更精细的特征利用（图5-8）。

讨论指出，该研究的创新性体现在：1)首次在U-Net架构中同时整合SPA和EA模块；2)提出的BADLoss有效缓解类别不平衡；3)CRF后处理使HD95降至2.1701。局限性在于训练数据多样性不足和计算成本较高。未来可探索多模态影像融合方案，该技术框架还可拓展至肝脏、肺部分割等领域。这项研究为精准医疗时代的智能诊断提供了新的算法范式。