头颈部危及器官分割的经验性组合网络评估与混合架构优化

　　为解决头颈部放疗中危及器官(OARs)精准分割的难题，研究人员开展了一项基于CSTRO数据集的经验性研究，系统评估了U-Net、Attention U-Net等七种主流分割网络，并创新性地提出SEU-Net与改进型W-Net。通过两阶段实验发现Attention W-Net与SEW-Net混合架构的DSC值最高达0.776，显著提升了小器官（如视神经、垂体）的分割精度，为临床自动分割系统提供了鲁棒性更强的解决方案。

　　

在放射治疗规划中，精准勾画头颈部危及器官（Organs at Risk, OARs）是确保治疗效果和减少放疗毒副反应的关键环节。传统依赖专家手动轮廓勾画的方式不仅耗时耗力，还存在主观差异性，难以满足现代精准放疗的需求。随着深度学习技术的迅猛发展，基于卷积神经网络（CNN）的医学图像自动分割方法逐渐成为研究热点，其中U-Net及其变体在生物医学图像分割领域表现尤为突出。然而，面对头颈部区域器官结构复杂、尺寸差异大（如视神经与腮腺体积相差数十倍）、小器官特征表达稀少等挑战，现有分割网络在精度和鲁棒性方面仍存在明显不足。

为此，来自中山大学肿瘤防治中心的研究团队在《Radiation Medicine and Protection》发表论文，系统评估了七种主流分割网络在CSTRO头颈部OARs数据集上的性能，并提出两种新型混合架构——Attention W-Net和SEW-Net。研究采用两阶段实验设计：第一阶段对比U-Net、R2U-Net、UNet++、CE-Net、Attention U-Net以及新开发的SEU-Net和W-Net；第二阶段整合表现最优的注意力门控块（AGB）、挤压激励块（SE Block）和级联架构，构建三种混合网络进行性能验证。

研究关键技术方法包括：使用CSTRO提供的50例训练集和10例测试集3D CT数据，转换为2D轴向切片（共4730张训练/1205张测试）；采用196×196像素裁剪与z-score标准化预处理；应用随机旋转（±15°）、平移（±50像素）及翻转的数据增强策略；使用加权Focal Loss解决类别不平衡问题；以Dice相似系数（DSC）和平均表面距离（ASD）作为核心评估指标。

2.1. CSTRO数据集

研究采用公开的CSTRO挑战赛数据集，包含22种头颈部OARs。通过分析器官平均体积和有效切片数量，将视神经、视交叉、垂体等特征稀疏的器官归类为"小器官"，其余为"正常器官"，为后续差异化权重策略提供依据。

2.2. First-stage method

详细解析了七种网络的架构特点：U-Net的编码器-解码器结构与跳跃连接；R2U-Net的递归残差块；UNet++的密集跳跃连接与嵌套设计；CE-Net的密集空洞卷积模块（DAC）和残差多核池化模块（RMP）；Attention U-Net的空间注意力门控块；改进型W-Net通过跨阶段跳跃连接减少语义间隙；SEU-Net引入通道注意力机制。

3.1. First-stage experiment results

第一阶段实验显示：Attention U-Net（DSC 0.755）、W-Net（0.767）和SEU-Net（0.749）表现最优，其中SEU-Net在小器官分割上优势明显。而R2U-Net、CE-Net和UNet++因递归特征积累、空洞卷积忽略细节以及低特征干扰等问题，性能均低于基线U-Net（0.712）。

3.2. Second-stage experiment results

第二阶段混合架构测试中：Attention W-Net取得最高平均DSC（0.776），尤其在视神经（0.648/0.671）和垂体（0.654）分割上表现稳定；SEW-Net在晶体分割方面突出（左/右DSC 0.723/0.747），但视交叉分割性能骤降（DSC 0.180）；Attention SEU-Net因模块冲突问题表现最差（DSC 0.743）。

讨论部分深入分析了各网络模块的适用性：R2U-Net的递归积累机制会污染特征质量；CE-Net的空洞卷积导致小器官特征丢失；UNet++的密集连接引入过多低层噪声。相比之下，注意力机制（空间与通道）和级联架构能有效增强特征 discriminability。Attention W-Net融合空间注意力与多尺度特征传播，在保持精度的同时提升鲁棒性；SEW-Net虽在特定器官表现优异，但受SE Block的全局池化操作限制，对极小器官适应性不足。

研究结论表明，Attention W-Net和SEW-Net混合架构显著优于现有先进方法，为解决头颈部OARs分割中的尺度差异问题提供了有效方案。其中Attention W-Net在整体性能平衡性方面更具临床适用价值，而SEW-Net在特定器官分割方面展现特色优势。该研究不仅建立了CSTRO数据集的性能基准，更为未来医学图像分割架构设计提供了模块化组合的新范式——通过解构-评估-重组的研究路径，实现了从经验性试错向系统性优化的方法论转变。