基于三阶段对抗学习的PET图像肺癌病灶精准分割框架：显著降低假阳性并提升诊断可靠性

　　本文提出了一种创新的三阶段分割框架，结合对抗学习与病灶计数损失函数，有效解决了正电子发射断层扫描（PET）图像中肺癌病灶分割的假阳性难题。该方法通过粗分割、特征优化与边缘细化三个阶段，在临床数据集上达到DSC 85.35%的优异性能，为肺癌精准诊断提供重要技术支持。

　　

Highlight

多阶段医学影像分割

基于多阶段的深度学习架构已成为医学影像分割的有效范式，通过分层优化解决假阳性、病灶边界模糊和解剖变异等挑战。与难以处理细微病灶或复杂解剖变异的单阶段网络不同，多阶段模型采用由粗到细的策略，结合中间监督和上下文感知优化，显著提升分割精度。

三阶段分割架构

如图2所示，本模型包含生成器和判别器。受医师临床读片流程启发，生成器采用“先定位后分割”策略，分为三阶段：第一阶段完成病灶粗分割；第二阶段聚焦减少因定位错误引发的假阳性；第三阶段强化病灶边界特征学习以抑制边缘过分割导致的误判。

数据集

本研究回顾性数据来源于中国人民解放军联勤保障部队第940医院，采用Biograph True 64成像设备（德国埃尔朗根Medical公司）。原始文件包含PET与CT模态影像，收集时间自2016年1月至2023年8月，共225名参与者。注射¹⁸F-FDG（氟代脱氧葡萄糖）前患者需禁食至少6小时，并确保血糖水平低于11 mmol/L。注射后静息60分钟，采集图像时保持仰卧位。由两名经验丰富的核医学医师使用ITK-SNAP软件标注病灶，最终数据集包含312个肺癌病灶。按7:1:2比例随机划分训练集、验证集和测试集。

讨论

本节探讨本研究意义并展望未来工作方向。

Conclusions

我们开发了用于PET图像肺癌病灶自动分割的三阶段模型，以抑制假阳性。第一阶段采用改进的编码器-解码器结构获取粗分割结果；第二阶段学习体素值关系，利用多层特征提取结构抑制假阳性和假阴性；第三阶段通过前景-背景双分支结构细化边缘特征。引入病灶计数损失函数进一步约束预测病灶数量，增强模型可靠性。实验证明该方法在多项指标上优于现有模型，具备临床推广潜力。