用于多模态鼻咽癌MRI图像转移淋巴结分割的小规模和大规模信息协作网络

《MEDICAL PHYSICS》：Small and large-scale information collaborative unet for metastatic lymph node segmentation of multi-modal nasopharyngeal carcinoma MRI images

头颈部NPC的转移淋巴结分割中，小节点易被背景干扰、边缘模糊及患者定位差异导致分割误差。提出的SLSIC-Unet通过小大信息协作框架增强小节点检测，多模态特征融合提升边缘精度，空间上下文模块利用血管邻近特性优化定位，在663例测试中NSD 0.801±0.098、DSC 0.823±0.082、IoU 0.706±0.107，显著优于现有方法。

　　

摘要

背景

在头颈部磁共振成像（MRI）中准确评估转移性淋巴结（MLNs）对于鼻咽癌（NPC）的分期和治疗计划至关重要。作为计算机辅助诊断系统中的一个基本步骤，自动化的MLNs分割仍然具有挑战性，主要存在三个关键问题：淋巴结体积小、边缘模糊以及患者之间的定位差异较大，这些问题常常导致分割结果过疏或过密。

目的

为了解决这些挑战，提出了小规模和大规模信息协同Unet（SLSIC-Unet）模型。该模型专门设计用于整合小规模信息、模态特定特征（MSFs）以及MRI切片之间的空间关系。

方法

SLSIC-Unet模型采用了三种应对上述挑战的策略。首先，为了防止小淋巴结被背景信息掩盖，提出了一个小规模和大规模信息协同框架（SLSICF）。该框架利用双重交互路径：处理放大的图像块以整合小规模信息，同时分析原始图像以提取大规模上下文信息，从而确保对所有大小的淋巴结都能进行有效分割。其次，为了清晰地描绘淋巴结的模糊边缘，SLSIC-Unet通过提取模态特定特征（MSFs）和多模态融合特征来利用不同模态之间的互补信息。最后，空间特征上下文模块（SFCM）用于整合MRI切片的空间关系，利用淋巴结通常靠近血管的空间分布特征。

结果

在663例NPC病例的评估中，该模型表现出优异的分割性能，测试集上的平均值为：归一化表面距离（NSD）0.801 ± 0.098，Dice相似系数（DSC）0.823 ± 0.082，交并比（IoU）0.706 ± 0.107。比较分析显示，SLSIC-Unet在MLNs分割方面的性能显著优于现有最先进方法（p < 0.05）。

结论

SLSIC-Unet能够准确分割淋巴结，并为鼻咽癌的分期提供技术支持。

利益冲突声明

作者没有需要披露的相关利益冲突。