一种新型全局上下文感知深度神经网络用于基于磁共振图像的增强型脑肿瘤分割

脑癌因其高发病率和死亡率，成为全球医学界面临的重大挑战。精确的脑肿瘤分割对于诊断、治疗规划和疗效评估至关重要。然而，传统的手动分割方法不仅耗时费力，而且容易受到人为误差的影响，难以满足临床对高精度和高效率的需求。近年来，基于深度学习的自动化分割方法展现出巨大潜力，但现有模型在处理多模态MRI数据时，往往难以充分捕捉全局上下文信息和复杂的空间依赖关系。

针对这一难题，来自印度的研究人员Sourjya Mukherjee及其合作者提出了一种创新性的深度神经网络——全局上下文感知挤压激励残差UNet（GCSER-UNet）。该网络的核心创新在于融合了空间注意力机制和通道注意力机制，通过引入全局上下文信息，显著增强了模型对肿瘤区域特征的学习能力。具体而言，GCSER-UNet采用编码器-解码器结构，并在跳跃连接中嵌入了改进的挤压激励模块，使得网络能够自适应地强调重要的空间位置和特征通道，同时抑制无关信息。

为了验证模型的性能，研究团队在两个公开的基准数据集上进行了全面的实验。在TCGA LGG数据集上，GCSER-UNet取得了94%的Dice分数，相比此前最先进的91.8%提升了2.2个百分点。在更具挑战性的BraTS 2020数据集中，该网络采用集成策略，针对整体肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）三个子区域分别达到了95%、92%和90%的Dice分数，而此前的最佳结果分别为94%、93%和88%。值得注意的是，在增强肿瘤这一最难分割的区域上，GCSER-UNet将Dice分数从88%提升至90%，显示出其在边界模糊区域上的优势。

这些结果充分证明了GCSER-UNet在脑肿瘤分割任务上的有效性。研究人员指出，该模型不仅能够为神经科医生提供可靠的辅助诊断工具，还有助于制定个性化的治疗方案。目前，该论文已提交至arXiv预印本平台，全文共11页，包含9张图表和6个表格。研究团队计划进一步优化模型结构，并探索其在其他医学影像分割任务中的应用潜力。随着技术的不断成熟，GCSER-UNet有望在临床实践中发挥重要作用，推动脑肿瘤诊疗水平的提升。