DF-TransUNet：一种用于心脏MR图像像素级分类的创新TransUNet模型及其在精准分割中的应用

　　本研究针对心脏MR图像分割中存在的强度分布不均和边界模糊等问题，提出了一种改进的TransUNet结构——DF-TransUNet。该模型在TransUNet框架基础上增加了像素级分类模块，能够对掩膜边界部分进行精细化分类，显著提升了分割精度。实验采用ACDC数据集验证，结果显示平均Dice系数达90.55%，Hausdorff距离为2.23mm，表明该方法能有效减少边界像素分类错误，为智能医疗系统提供更可靠的解剖结构信息，具有重要的临床意义。

　　

在智能医疗系统的发展中，医学图像的自动分析是至关重要的一步，尤其是在疾病诊断方面，它能为后续治疗提供精确的解剖结构信息。然而，心脏磁共振成像（MRI）图像存在强度分布不均、边界模糊等挑战，这使得自动分割任务变得复杂。此外，个体间生理和解剖结构的显著差异，以及手动分割的主观性和耗时性，都推动了对更高精度自动分割方法的需求。尽管基于U形架构的方法在医学图像分割领域取得了显著进展，如Unet及其变体（Unet++、Attention Unet等），但这些方法仍难以有效解决模糊边界导致的误分割问题。近年来，随着Transformer在计算机视觉中的突破，一些研究尝试将Transformer融入模型以提高分割精度，但边界分割错误的问题仍未得到根本解决。

为了应对这些挑战，研究人员在《Magnetic Resonance Imaging》上发表了一项研究，提出了一种新颖的DF-TransUNet模型，专注于心脏MR图像的像素级分类分割。该研究基于TransUNet框架，引入了一个像素级分类模块（DF模块），旨在通过学习掩膜边界附近像素的类别，对原始分割结果进行像素级调整，从而减少边界区域的分类错误。实验使用2017年MICCAI自动心脏诊断挑战（ACDC）数据集进行验证，结果显示该方法在分割精度和鲁棒性方面均表现出色。

研究人员采用了几项关键技术方法：首先，使用混合编码器结构，结合CNN和Transformer，其中CNN负责图像特征提取，Transformer增强全局和远程语义信息；其次，解码器采用级联上采样器（CUP）生成预测掩膜；第三，引入方向场学习（D模块）和方向场校正（F模块）组成的DF模块，对边界像素进行迭代校正；数据集来自ACDC的100例患者心脏MRI，包含左心室（LV）、右心室（RV）和心肌（MYO）的标注，按7:1:2比例分为训练、验证和测试集；评估指标包括Dice相似系数（DSC）和Hausdorff距离（HD95），损失函数结合交叉熵损失和Dice损失。

研究结果通过多个部分展示。在ACDC数据集上的实验结果显示，DF-TransUNet在平均DSC上达到90.55%，HD95为2.23mm，优于对比模型如Unet（88.60% DSC）、TransUNet（89.71% DSC）等，尤其在心肌分割（MYO）上提升显著（DSC 86.20%）。可视化结果证实，该模型的分割结果与真实标注几乎无差异，特别是在边界处理上更精确。消融实验分析了不同因素的影响：跳跃连接数量增加（从0到3）使平均DSC提升最高达3.79%；双线性上采样优于最近邻方法；方向场阈值设为0.5时性能最佳；迭代次数设为5次时效果最优。此外，该模型在Synapse多器官分割数据集上也表现出良好泛化能力，平均DSC达78.21%，HD95为28.70mm，优于其他模型。可移植性测试表明，DF模块可嵌入不同模型（如Unet、ViT-CUP），均带来性能提升，例如TransUNet结合DF后DSC从89.71%提高到90.55%。

结论部分强调，DF-TransUNet通过像素级边界分类模块有效改善了心脏MR图像的分割精度，特别是在处理模糊边界方面。该模块具有强可移植性，可广泛应用于各种医学图像分割模型。研究的意义在于为智能医疗系统提供了更可靠的自动化工具，有望缓解医疗资源短缺问题，并通过提升分割准确性支持疾病诊断和治疗规划。未来，这一方法有望在更多医学影像任务中得到应用，推动精准医疗的发展。