引用本文

任向阳, 焦博旸, 杨震, 贾育衡, 郭伟峰, 梁静. 基于物理显著性特征感知的医学小病灶分割网络. 自动化学报, 2026, 52(7): 1387−1400 doi: 10.16383/j.aas.c250623

Ren Xiang-Yang, Jiao Bo-Yang, Yang Zhen, Jia Yu-Heng, Guo Wei-Feng, Liang Jing. Medical small lesion segmentation network based on physical saliency feature perception. Acta Automatica Sinica, 2026, 52(7): 1387−1400 doi: 10.16383/j.aas.c250623

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250623

关键词

医学小病灶，辐射衰减，多尺度感知特征网络，高斯分布

摘要

精准分割早期小病灶对疾病诊疗至关重要, 但现有方法面对特征稀疏、易受背景干扰的小病灶时性能显著下降. 受计算机断层扫描成像中X射线衰减物理原理启发, 发现小病灶在影像中呈现出中心亮、边缘渐弱的强度分布, 其轮廓与二维高斯分布高度吻合. 为此, 提出一种辐射衰减原理引导的显著性感知分割网络(RAP-Net). RAP-Net 将射线衰减导致的二维高斯分布作为相关滤波卷积核融入深度学习架构, 并设计专用于小病灶分割的多尺度感知特征网络. 该网络的核心显著特征感知提取模块利用多尺度高斯空洞卷积建模衰减特性, 实现稀疏特征的深度挖掘与背景抑制. 实验表明, RAP-Net在小肾结石与小肝脏钙化灶分割任务中的Dice系数和IoU提升至少18.05%和19.55%, 显著超越现有主流方法.

文章导读

医学图像中小病灶的精准分割对疾病早期诊断、治疗规划与疗效评估具有重要意义[1−2]. 近年来, 深度学习技术, 尤其是卷积神经网络 (convolutional neural networks, CNN), 在医学图像分割领域取得显著进展. CNN能够逐层提取从纹理到语义的多尺度特征, 有效抑制背景噪声, 在肝脏[3−6]、肾脏[7−9]、血管[10−12] 及左心房[13−14] 等特定解剖结构的分割任务中表现优异. 代表性工作包括肺肿瘤特征融合[15]、视网膜血管多尺度监督[16−17]、肺肿瘤PET-CT模态特异性网络[18]、视网膜血管多级注意力机制[19]、冠状动脉数据增强[20]、视网膜血管数据集构建[21] 以及黄斑中央凹无血管区与视网膜血管联合分割策略[22] 等. 然而, 小病灶分割在医学图像中仍面临诸多挑战. 相较于大尺寸病灶, 小病灶的特征更为稀疏, 极易被复杂背景淹没, 导致检测精度下降. 值得注意的是, 小病灶的准确分割在临床实践中往往比大病灶的分割更具决定性意义, 例如通过精准识别多器官小病灶, 为疾病早期预防、精准治疗与临床决策提供关键技术支撑, 助力器官保护与医疗资源优化(见图1). 以小肝脏钙化灶分割为例, 精确勾画其位置、大小、形态及数量, 可为肝脏相关疾病的诊断提供关键依据. 类似地, 小肾结石的分割结果直接影响治疗策略的选择: 较小结石可采取保守观察, 而较大结石则需积极干预 (如体外碎石). 此外, 小病灶分割还可用于评估组织受累情况及并发症风险, 为保护肾功能提供及时预警.

图1  本文提出的小病灶分割任务及研究动机

针对上述问题, 本文提出辐射衰减原理引导的显著性感知分割网络(radiation attenuation principle-guided saliency perception segmentation network, RAP-Net), 一种受计算机断层扫描(computed tomography, CT) 成像X射线衰减原理[23] 启发的小病灶分割网络. 该方法将辐射衰减特性与相关滤波理论相结合, 融入CNN架构, 显著提升小病灶的分割性能. 在CT成像中, X射线穿过生物组织时会发生强度衰减, 其衰减程度由组织的密度与厚度共同决定. 从成像原理来看, 组织对X射线的衰减能力越强, 探测器接收到的信号就越弱, 但系统通过重建算法所计算出的对应体素CT值越高, 最终在图像中表现为更高的灰度值. 因此, 在重建后的CT图像中, 病灶中心具有更高的CT值与灰度值, 向外逐渐递减, 形成中心亮、边缘渐弱的强度分布, 该分布形态与二维高斯分布高度吻合(见图2). 基于这一原理, 为实现对小病灶显著性特征的精准感知, RAP-Net引入多尺度感知特征网络(multi-scale perceptual feature network, MSPF-Net), 通过引入相关滤波机制强化显著特征表达, 能够有效应对小病灶特征稀疏的挑战. MSPF-Net中的相关滤波器同时具备背景抑制能力, 成功将CT成像物理机制嵌入深度学习架构中. 实验结果表明, RAP-Net在医学小病灶图像数据集中取得当前最优性能, 显著提升小病灶的检测精度, 为疾病的早期干预提供可靠支持. 本文将CT成像的原理嵌入深度学习网络中, 利用物理原理约束引导网络在低对比度和模糊边界下进行更精准的特征复原, 并有效解决了通用分割网络在小病灶任务中参数冗余且细节丢失的痛点问题. 本文的主要贡献如下:

$ 1) $ 提出一种基于X射线衰减原理的小病灶分割网络RAP-Net, 有效解决了医学图像中小病灶分割的难题. 该方法融合CT成像原理, 提升分割方法的鲁棒性, 为疾病早期发现与治疗提供技术支撑.

$ 2) $ 提出一种专为医学图像小病灶特征提取而构建的主干网络MSPF-Net. 该网络通过强化显著特征提取与抑制背景噪声, 丰富特征表达, 有效解决了强背景干扰下的稀疏特征提取难题, 提升小病灶分割性能.

$ 3) $ 在本文构建的医学小病灶数据集MSL上评估所提网络的分割性能. 本文提出的方法与现有先进的医学图像处理方法相比, 在多个分割任务上的Dice系数提升至少18.05%, IoU提升至少19.55%, 表现出优异的小病灶分割性能.

图2  CT成像中的X射线衰减原理示意图

图3  本文所提出的RAP-Net架构示意

本文从CT成像物理机制与小病灶显著性特征建模的角度出发, 提出一种用于医学小病灶分割的网络RAP-Net. 该网络的创新在于构建一种物理驱动的特征感知机制, 将传统相关性滤波理论与深度学习架构深度融合, 以解决小病灶因特征稀疏和背景干扰而导致的分割难题. 具体而言, 本文基于小病灶在CT图像中呈现出的符合物理规律的近似二维高斯分布的强度特性, 在RAP-Net中构建MSPF-Net作为主干特征提取器, 并通过其核心组件 PSFE 模块引入多尺度高斯空洞卷积, 实现了对病灶物理显著性特征的有效感知, 同时有效抑制了背景噪声. 在本文构建的MSL数据集上的大量实验表明, RAP-Net的性能显著优于现有主流方法. 此外, 作为泛化能力的一种验证, 该方法在大病灶分割任务中也展现出良好的适应性, 进一步体现了基于物理感知的网络架构的鲁棒性与推广潜力. 本研究工作表明, 成像物理原理转化为深度网络中的显著性感知能力, 是提升医学小病灶分割模型鲁棒性的一条有效路径. 展望未来, 本文提出的RAP-Net展现出良好的临床部署潜力. 模型轻量化、无需复杂预处理的特点, 有利于集成至现有影像分析系统. 未来研究需进一步在多中心、多设备数据上验证其泛化能力, 并探索如何与临床工作流深度融合, 以推动其在早期精准诊疗中的实际应用.

作者简介

任向阳

郑州大学第一附属医院高级工程师. 主要研究方向为医学图像处理, 计算机视觉, 模式识别和目标检测.E-mail: xyren@zzu.edu.cn

焦博旸

郑州大学第一临床医学院硕士研究生. 主要研究方向为医学图像处理, 计算机视觉和模式识别. E-mail: jiaoboyang@gs.zzu.edu.cn

杨震

湖南大学人工智能与机器人学院博士研究生. 主要研究方向为计算机视觉, 模式识别和目标检测. E-mail: zhenyangssy@gmail.com

贾育衡

东南大学计算机科学与工程学院副教授. 主要研究方向为机器学习, 数据表示. E-mail: yhjia@seu.edu.cn

郭伟峰

郑州大学电气与信息工程学院特聘教授. 主要研究方向为计算智能, 图信号机器学习和生物医学大数据挖掘. E-mail: guowf@zzu.edu.cn

梁静

郑州大学电气与信息工程学院教授. 主要研究方向为进化计算, 群集智能, 机器学习和集成学习. 本文通信作者. E-mail: liangjing@zzu.edu.cn

支持单位：