在一切6G医疗物联网环境中，对高清CT图像的增强与分割处理

《IEEE Internet of Things Journal》：Enhancement and Segmentation of High Definition CT Images in Everything 6G Medical IoT Environment

本文提出针对6G医疗物联网的高清CT图像分割方法E-TDRCMIS，通过共享特征学习模块解决跨设备域模型泛化问题，采用多层一致性正则增强特征表示，最终通过目标域生成模块重构完整特征。实验表明该方法在LUNA16和VerSe2020数据集上Dice得分分别达87.9%和91.3%，ASD值优化20%-30.8%，优于MRLA-Net等现有方法。

　　

摘要：

将医疗物联网（IoT）系统与第六代（6G）网络相结合，为实时医疗图像分析提供了前所未有的机会。然而，这也带来了重大挑战：在某一设备上训练的模型往往无法泛化到来自不同设备的图像。本文提出了一种名为E-TDRCMIS的跨域医疗图像分割方法，该方法专门针对6G医疗物联网环境中的高清计算机断层扫描（CT）图像分割问题进行了优化。我们的方法通过一个三部分架构来应对领域迁移问题，该架构专为分布式医疗系统设计。共享特征学习模块（SFLM）采用对抗性技术并结合梯度反转层来提取与领域无关的特征，同时最大限度地减少网络边缘的计算开销。共享特征增强模块（SFEM）实施了一种多层次一致性正则化策略，通过比较浅层和深层特征的预测结果来加强特征表示，而无需增加带宽需求。最后，目标域泛化模块（TDGM）负责重构完整的特征表示。在胸部和脊柱结构数据集上的实验表明，E-TDRCMIS在跨域高清CT图像分割方面的性能显著优于现有方法。具体而言，在LUNA16数据集上，E-TDRCMIS的Dice分数达到了87.9%，在VerSe2020数据集上达到了91.3%，相应的平均对称表面距离（ASD）值分别为1.2毫米和0.9毫米。这比第二高性能方法（MRLA-Net）在LUNA16数据集上的性能提高了3.0%（Dice分数），在VerSe2020数据集上提高了2.5%（Dice分数）和30.8%（ASD值）。

引言

在第六代（6G）网络的背景下，医疗物联网（IoT）的整合通过提供大幅提升的通信能力、超低延迟的中频谱以及极高的数据吞吐量，极大地扩展了远程医疗的应用范围[1]、[2]、[3]。医疗成像设备与超低延迟（1毫秒）、理论传输速度达1Tbps的通信技术相结合，使得诊断级别的医疗成像数据能够即时上传到分布式医疗机构进行分析和协同规划[4]。医疗物联网系统包括成像设备、先进传感器和边缘计算节点，这些节点作为本地化的数据处理单元，分散了医疗物联网数据处理系统[5]、[6]。在医疗物联网生态系统中，计算机断层扫描（CT）成像至关重要，因为它支持远程感知和远程分析，从而实现手术的精准操作。要实现0.1毫米的器官分辨率，需要大量的带宽、边缘存储和计算资源，这使得相关技术的实现极具挑战性[7]、[8]。每张高清CT切片产生的数据量高达2GB，同时需要在医疗物联网框架内进行实时传输、处理和分析，因此对效率要求极高。这种非侵入性干预措施的能力标志着向先进远程医疗迈出的重要一步，为无障碍的远程诊断、人工智能驱动的临床支持框架以及精准医疗的发展奠定了基础——这些需求与现有的基础设施尚不完全兼容[9]。这不仅仅是一项技术进步，它还重新定义了实现远程医疗能力的方式。6G支持的医疗物联网将这些能力分散到偏远地区，旨在缓解现有的不平等现象。