基于多尺度信息引导的深度残差网络在前列腺癌MRI精准分割中的应用研究

　　针对前列腺癌MRI图像病灶尺度多变、边界模糊导致的精准分割难题，研究人员提出MSR-Net（多尺度信息残差网络），通过MSR-block提取多尺度特征，结合SGE空间组增强和MIGF特征融合模块，实现两阶段分割策略。实验显示该网络在Prostatex数据集上Dice系数达60.5%，较U-Net提升5.2%，前列腺区域分割Dice值达0.937，为临床精准诊疗提供新工具。

　　

前列腺癌（PCa）作为男性第二大高发癌症，其早期筛查主要依赖磁共振成像（MRI），但病灶形态多变、与周围组织对比度低的特点使得精准分割成为医学图像处理的重大挑战。目前临床仍以人工勾画为主，耗时耗力且依赖医师经验。尽管U-Net等卷积神经网络（CNN）在前列腺分割中表现优异，但针对癌灶区域的研究仍存在10%以上的性能差距。更棘手的是，MRI盆腔横断面图像中前列腺占比不足5%，直接分割癌灶易受膀胱、精囊等器官干扰。

为解决上述问题，研究人员开发了MSR-Net（Multi-scale information residual network），创新性地采用两阶段分割策略：先定位前列腺组织区域，再精准分割癌灶。网络核心MSR-block基于MLKA（Multi-dimensional Long-range Kernel Attention）卷积构建，能自适应捕获长程依赖与局部粒度信息；结合空间组增强（SGE）模块强化特征空间表达，改进的MIGF（Multi-scale Information Guidance Fusion）模块优化深浅特征融合，最后采用DySample动态上采样保留细节。在Prostatex数据集测试中，该网络癌灶分割Dice系数达60.5%，较次优模型U-Net（55.3%）提升5.2%，两阶段策略更使基线性能提升10.4%（45.3%→55.7%）。跨任务验证显示，其在前列腺整体分割和肺结节分割中Dice值分别达0.937和0.764。

关键技术包括：1）基于MLKA卷积的MSR-block多尺度特征提取；2）SGE空间注意力增强；3）MIGF多级特征融合；4）DySample动态上采样；5）两阶段分割策略（Prostatex数据集）。

研究结果

1. 两阶段分割有效性验证：直接分割癌灶Dice仅45.3%，而先定位前列腺再分割的策略提升至55.7%，证明器官级预分割可显著降低背景干扰。
2. 模块消融实验：MSR-block使Dice提升3.8%，SGE和MIGF分别贡献2.1%和1.9%，DySample较常规上采样高1.4%。
3. 跨数据集泛化性：在独立前列腺分割任务中达到0.937的Dice值，验证模型对器官边界的捕捉能力。

结论与意义
该研究首次将多尺度信息引导与残差学习结合应用于前列腺癌分割，MSR-Net通过MLKA卷积突破传统CNN的局部感受野限制，SGE模块有效抑制冗余特征干扰。临床层面，60.5%的癌灶分割精度已接近部分专家水平，两阶段策略为小目标医学图像分割提供新范式。未来可扩展至多模态影像联合分析，推动PCa精准诊疗发展。论文发表于《Biomedical Signal Processing and Control》，作者包括Xinyi Chen、Xiang Liu等。