编辑推荐：
海马体分割 2.5D U-Net 注意力机制 混合损失函数 计算效率
Piqiang Gong|Xue Li|Dongmei Lin|Xiaohan Ding|Zhao Liu|Fuming Chen
中国人民解放军联合后勤保障部队第940医院医学工程系，中国兰州730050
摘要
背景：海马体是阿尔茨海默病（AD）的关键脑区和生物标志物。准确的自动化海马体分割对于解剖学和病理学分析至关重要。然而，模型复杂性与可用计算资源之间的差距阻碍了计算机辅助诊断（CAD）系统的临床应用，通常导致准确性和泛化能力有限。新方法：本研究介绍了一种基于2.5D U-Net的框架，该框架集成了注意力机制，以实现高效准确的海马体MRI分割。将三个连续切片（前部、中部、后部）堆叠起来形成2.5D输入表示，增强了空间上下文。所提出的HAU-Net包含一个门控空间注意力模块，以提高特征选择性和鲁棒性。使用混合Dice–BCE损失函数来解决类别不平衡问题并加速收敛。结果：在MSD Task04 Hippocampus和HarP数据集上的实验表现出强大的性能，分别获得了91.05%和90.62%的Dice分数，并且结果在各个数据集之间保持稳定。与现有方法的比较：与基线U-Net和其他广泛使用的分割模型相比，所提出的2.5D注意力增强网络在保持计算效率的同时，实现了更高的Dice相似系数和更好的泛化能力，适用于实际应用。结论：注意力引导的2.5D HAU-Net为自动化海马体分割提供了一种有效、鲁棒且资源高效的解决方案。其强大的性能和低计算需求支持其在现实世界临床应用以及神经科学和医学成像领域的更广泛使用。
引言
海马体位于内侧颞叶，支持情景记忆、空间认知和神经可塑性（Burgess等人，2002年）。海马体的形态变化为阿尔茨海默病、癫痫和其他神经系统疾病提供了敏感、可量化的结构标志物。磁共振成像（MRI）被广泛用于海马体的三维评估。然而，手动分割耗时且劳动强度大，其重复性受操作者依赖性的限制（Chupin等人，2009年）。此外，在MRI上，海马体对比度低、体积小、形态不规则、边界模糊，并且个体间差异显著，这进一步增加了分割的复杂性。这些挑战使得海马体分割对平衡上下文建模、鲁棒性和计算效率的架构设计选择特别敏感。
在这项工作中，我们专注于从T1加权结构MRI自动分割整个海马体。早期的自动化方法主要依赖于传统的机器学习技术，虽然取得了初步的成功，但受到高计算成本、灵活性受限和泛化能力弱的限制，阻碍了其广泛临床应用（López Palafox等人，2017年；Tong等人，2013年；Zheng等人，2018年）。随着计算硬件和数据可用性的进步，深度学习——特别是卷积神经网络——已成为医学图像分割的主流范式，能够在广泛的神经成像任务中实现精确的体素级预测（Yang等人，2020年）。这些发展，加上改进的数据集和注释，显著推动了自动海马体分割的发展，支持神经退行性疾病的早期诊断和纵向监测。
最近的研究越来越多地探索2.5D设计，通过轻量级的跨切片注意力来模拟切片间的依赖性，提供了2D效率和3D上下文建模之间的实际折中。增强注意力的U-Net变体通过抑制无关区域并强调与任务相关的特征，进一步改善了小结构的描绘。尽管取得了显著进展，但仍存在一些重要问题：（1）2D网络未能充分利用平面内的空间信息，而3D网络虽然有效，但往往对内存和数据需求过高，在资源受限或样本量小的环境中不太实用。（2）捕捉微妙的海马体特征并同时优化分割与诊断目标仍然具有挑战性。（3）复杂的设计和不稳定的训练增加了在小数据集上过拟合的风险，限制了实际的泛化能力。
这激发了我们开发能够选择性利用有限的平面内上下文同时避免完整3D建模的成本和不稳定性的架构的动机。为了解决这些限制，我们提出了HAU-Net，这是一种针对T1加权MRI下整个海马体分割的2.5D注意力增强U-Net，适用于计算和数据资源有限的场景。我们的主要贡献如下：（1）一种计算效率高的2.5D海马体分割方法。我们使用一小堆相邻切片构建输入，注入适度的平面内上下文，同时保持网络在核心操作中的完全2D特性，从而避免了与完整3D模型相关的庞大内存占用和训练不稳定性。（2）一种适用于小体积、低对比度结构的门控空间注意力模块。我们引入了一种轻量级的门控机制，进行有针对性的特征选择并抑制来自周围组织（例如脑室和皮质边界）的干扰因素，提高了边界匹配度并减少了误报——这些错误在海马体T1 MRI上尤为突出。（3）在严重类别不平衡情况下的稳定优化方案。我们采用复合Dice–BCE目标函数（α = β = 1），并对其损失动态和收敛行为进行了实证分析，表明与单独使用任一术语相比，所提出的方案在样本量小的情况下提高了训练稳定性。（4）在资源受限的公共基准测试中的广泛验证。我们在Medical Segmentation Decathlon（Hippocampus）和HarP数据集上评估了HAU-Net，报告了具有竞争力的准确性和鲁棒性，同时保持了适合资源受限部署的效率-准确性权衡（内存和推理成本）。总体而言，HAU-Net通过选择性利用有限的平面内上下文和注意力引导的特征细化，明确针对海马体分割中的效率-准确性平衡，而不是依赖于复杂的3D框架或庞大的注意力堆栈。
本文的其余部分组织如下：第2节详细介绍了相关工作；第3节介绍了HAU-Net；第4节报告并讨论了实验结果；第5节将我们的发现与现有文献进行了比较，并概述了影响和局限性；第6节总结了我们的贡献和未来工作的方向。
相关研究
早期关于海马体分割的深度学习研究主要采用体积建模来利用体素级的空间上下文。典型的3D方法依赖于3D CNN或3D U-Net来捕捉全局拓扑和局部解剖细节。代表性示例包括DeepNAT（Wachinger等人，2018年），它采用多任务学习和分层架构以及大脑体积的内在空间参数化；HippMapp3r（Goubran等人，2020年），它利用残差
2.5D切片策略
在传统的2D方法中，每个切片都被独立处理为单独的2D图像；然而，这种设计忽略了切片间的空间关系，未能利用平面内的深度信息。相比之下，3D方法使用3D卷积网络处理整个体积，明确编码了深度，从而改善了空间结构的捕捉，但这带来了显著更高的内存和计算需求。2.5D策略将相邻切片堆叠起来（例如，
讨论
所提出的2.5D HAU-Net在两个异构的公共数据集上的MRI海马体分割中表现出一致且具有竞争力的性能，突显了其有效性和更广泛的应用潜力。特别是，该模型旨在平衡分割准确性和计算效率，这对于大规模分析和未来临床应用是一个实际要求，因为在这些应用中资源限制和推理延迟往往至关重要。
结论
本研究提出了2.5D HAU-Net，这是一种完全自动的海马体MRI分割框架，实现了分割准确性和计算效率之间的良好平衡。通过整合切片堆叠以获得跨切片上下文、空间注意力以增强显著区域以及混合Dice–BCE损失函数以实现稳定优化，该方法在两个异构的公共数据集上实现了先进的Dice性能和强大的召回率。这些结果表明，HAU-Net是一个
资助
本研究由中国自然科学基金（61901515, 62361038）和甘肃省自然科学基金（22JR5RA002）资助。
CRediT作者贡献声明
Piqiang Gong：写作 – 审稿与编辑，撰写原始草稿，可视化。Xiaohan Ding：验证，监督。Zhao Liu：验证，监督。Xue Li：可视化，验证，监督。Dongmei Lin：验证，监督。Fuming Chen：验证，项目管理，方法论。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
