一種新型全局上下文感知深度神經網絡用於基於磁共振圖像的增強型腦腫瘤分割

腦癌因其高發病率和死亡率，成為全球醫學界面臨的重大挑戰。精確的腦腫瘤分割對於診斷、治療規劃和療效評估至關重要。然而，傳統的手動分割方法不僅耗時費力，而且容易受到人為誤差的影響，難以滿足臨牀對高精度和高效率的需求。近年來，基於深度學習的自動化分割方法展現出巨大潛力，但現有模型在處理多模態MRI數據時，往往難以充分捕捉全局上下文信息和複雜的空間依賴關係。

針對這一難題，來自印度的研究人員Sourjya Mukherjee及其合作者提出了一種創新性的深度神經網絡——全局上下文感知擠壓激勵殘差UNet（GCSER-UNet）。該網絡的核心創新在於融合了空間注意力機制和通道注意力機制，通過引入全局上下文信息，顯著增強了模型對腫瘤區域特徵的學習能力。具體而言，GCSER-UNet採用編碼器-解碼器結構，並在跳躍連接中嵌入了改進的擠壓激勵模塊，使得網絡能夠自適應地強調重要的空間位置和特徵通道，同時抑制無關信息。

為了驗證模型的性能，研究團隊在兩個公開的基準數據集上進行了全面的實驗。在TCGA LGG數據集上，GCSER-UNet取得了94%的Dice分數，相比此前最先進的91.8%提升了2.2個百分點。在更具挑戰性的BraTS 2020數據集中，該網絡採用集成策略，針對整體腫瘤（WT）、腫瘤核心（TC）和增強腫瘤（ET）三個子區域分別達到了95%、92%和90%的Dice分數，而此前的最佳結果分別為94%、93%和88%。值得注意的是，在增強腫瘤這一最難分割的區域上，GCSER-UNet將Dice分數從88%提升至90%，顯示出其在邊界模糊區域上的優勢。

這些結果充分證明了GCSER-UNet在腦腫瘤分割任務上的有效性。研究人員指出，該模型不僅能夠為神經科醫生提供可靠的輔助診斷工具，還有助於制定個性化的治療方案。目前，該論文已提交至arXiv預印本平台，全文共11頁，包含9張圖表和6個表格。研究團隊計劃進一步優化模型結構，並探索其在其他醫學影像分割任務中的應用潛力。隨着技術的不斷成熟，GCSER-UNet有望在臨牀實踐中發揮重要作用，推動腦腫瘤診療水平的提升。