《Cancer Treatment and Research Communications》：An Attention-Guided Residual 3D U-Net with Focal Tversky-Dice Loss for Multi-Modal Pancreatic Tumor Segmentation Using Synthetic Volumetric Imaging
編輯推薦：
本刊推薦：胰腺導管腺癌（PDAC）因腫瘤異質(zhì)性和低對比度，其手動分割耗時且不一致。本研究提出一種結(jié)合合成多模態(tài)成像（T1、T1ce、T2、FLAIR）與條件特異性注意力機制的殘差3D U-Net（CAAG-UNet3D），并采用混合焦點Tversky-Dice損失函數(shù)，以提升小腫瘤區(qū)域的分割性能。在合成多模態(tài)CT數(shù)據(jù)集上，模型Dice分數(shù)達0.832，優(yōu)于TransBTS、nnUNet等基準模型，為臨床影像組學提供了更可靠的定量成像生物標志物。
胰腺導管腺癌（Pancreatic Ductal Adenocarcinoma, PDAC）是一種惡性程度極高的癌癥，其五年生存率不足10%，被稱為“癌中之王”。精準的腫瘤分割對于疾病分期、手術規(guī)劃和治療監(jiān)測至關重要，因為切除邊緣的準確性直接關系到患者的預后。目前，計算機斷層掃描（CT）是評估PDAC的金標準成像方式，但胰腺復雜的解剖環(huán)境，加上PDAC彌漫性和浸潤性的特點，使得手動分割既耗時又存在主觀差異。而傳統(tǒng)的深度學習模型往往缺乏臨床上下文信息，且在分割小腫瘤區(qū)域時表現(xiàn)不佳。因此，開發(fā)一種能夠自動化、高精度分割PDAC的算法，成為臨床影像分析中亟待解決的難題。
這項發(fā)表于《Cancer Treatment and Research Communications》的研究，正是為了攻克這一難題。研究人員設計并驗證了一種名為CAAG-UNet3D的新型深度學習架構。該模型創(chuàng)新性地整合了合成多模態(tài)放射組學輸入和注意力引導的殘差學習，旨在實現(xiàn)對PDAC的卓越自動分割，為臨床影像組學鋪平道路。
研究采用的關鍵技術方法主要包括：
- 1.
數(shù)據(jù)預處理與合成多模態(tài)生成：對CT圖像進行歸一化、重采樣等預處理，并利用圖像處理技術（如直方圖均衡化、高斯模糊、百分比閾值化）從單一CT數(shù)據(jù)合成模擬的T1、T1ce、T2和FLAIR四種MRI模態(tài)圖像，形成四通道輸入以豐富特征多樣性。
- 2.
CAAG-UNet3D模型架構：構建了一個基于3D U-Net的編碼器-解碼器架構，核心創(chuàng)新在于集成了殘差卷積塊（Residual Convolution Blocks, RCBs）和條件特異性注意力門（Condition-Specific Attention Gates, CS-AG）。殘差連接確保穩(wěn)定的梯度流和深度特征學習，而CS-AG則能根據(jù)患者特定的強度統(tǒng)計信息，動態(tài)調(diào)整跳躍連接中的特征權重，自適應地聚焦于腫瘤相關區(qū)域。
- 3.
混合損失函數(shù)優(yōu)化：設計并應用了結(jié)合焦點Tversky損失（Focal Tversky Loss）和Dice損失的混合損失函數(shù)，以有效處理前景（腫瘤）與背景之間嚴重的類別不平衡問題，并提升對小腫瘤區(qū)域的分割敏感度。
- 4.
模型訓練與評估策略：使用AdamW優(yōu)化器和OneCycleLR學習率調(diào)度器進行訓練，并采用自動混合精度（AMP）以加速計算。模型性能通過Dice相似系數(shù)（Dice Score）、交并比（IoU）和體積重疊誤差（VOE）等指標進行定量評估。
研究結(jié)果
3.1. 定量與定性評估
在包含75名PDAC患者（2015-2023年）的合成多模態(tài)CT數(shù)據(jù)集上，CAAG-UNet3D在測試集上取得了平均Dice分數(shù)0.832（±0.027）、IoU 0.766（±0.034）和VOE 12%的優(yōu)異性能。定性可視化結(jié)果表明，模型在腫瘤邊界清晰、對比度分明的病例中能夠準確捕捉腫瘤輪廓；即使在腫瘤邊界模糊、對比度低的挑戰(zhàn)性病例中，模型仍能較為合理地定位腫瘤核心區(qū)域。三維體素化視圖進一步證實了預測分割與金標準在形態(tài)和空間連續(xù)性上具有良好的一致性。
3.2. 各組件對分割性能的貢獻分析
通過消融實驗系統(tǒng)地評估了模型各核心組件的貢獻：
- •
合成多模態(tài)輸入：僅使用T1模態(tài)時，Dice分數(shù)降至0.743，證明了合成多模態(tài)信息對于提升腫瘤邊界描繪和結(jié)構解析的重要性。
- •
焦點Tversky損失：使用標準Dice損失替代混合損失時，Dice分數(shù)降至0.672，凸顯了焦點Tversky損失在處理類別不平衡和小腫瘤區(qū)域方面的關鍵作用。
- •
殘差卷積塊：用標準順序卷積層替換殘差塊后，Dice分數(shù)降至0.625，表明殘差學習對于維持梯度流、增強深度特征復用至關重要。
- •
數(shù)據(jù)增強：禁用數(shù)據(jù)增強后，模型性能顯著下降至Dice分數(shù)0.621，強調(diào)了數(shù)據(jù)增強在防止過擬合、提升模型泛化能力方面的價值。
3.3. 與現(xiàn)有模型的比較分析
研究將CAAG-UNet3D與TransBTS、CBAM-UNet、nnUNet、3D-ResUNet和UNet++3D等先進分割模型進行了對比。在所有模型使用相同數(shù)據(jù)和處理流程的條件下，CAAG-UNet3D在Dice、IoU和VOE指標上均顯著優(yōu)于所有基準模型，驗證了其架構和策略的綜合優(yōu)勢。
結(jié)論與討論
本研究提出的CAAG-UNet3D模型成功證明了整合合成多模態(tài)放射組學輸入與注意力引導殘差學習的方法，能夠?qū)崿F(xiàn)卓越的PDAC自動分割。模型通過條件特異性注意力門機制，自適應地聚焦于腫瘤區(qū)域，有效應對了PDAC的異質(zhì)性和低對比度挑戰(zhàn)。同時，混合焦點Tversky-Dice損失函數(shù)有效緩解了類別不平衡問題。
這項工作的意義在于：首先，它提供了一種僅基于標準CT掃描即可生成多模態(tài)特征的高效方法，規(guī)避了獲取真實多模態(tài)MRI（如T1、T1ce、T2、FLAIR）所需的高成本和時間，在資源有限的臨床環(huán)境中具有顯著應用潛力。其次，CAAG-UNet3D模型在保持計算效率的同時，實現(xiàn)了高精度的分割性能，為其集成到臨床工作流程中以支持實時決策奠定了基礎。最后，該研究為開發(fā)更可靠、可解釋的定量影像生物標志物開辟了新途徑，有望在未來用于更精準的腫瘤評估、治療反應監(jiān)測和預后預測。未來的工作可以探索將該框架擴展到其他腹部腫瘤的分割，并研究在聯(lián)邦學習等隱私保護框架下的多中心驗證，以進一步提升其泛化能力和臨床實用性。
