[1]刘庆晨,韩晓鑫,邝竞凡,等.基于改进U-Net融合注意力机制的脑白质病变分割[J].中国医学物理学杂志,2026,43(5):597-606.[doi:DOI:10.3969/j.issn.1005-202X.2026.05.006]
　LIU Qingchen,HAN Xiaoxin,KUANG Jingfan,et al.Brain white matter lesion segmentation using an enhanced U-Net integrated with attention mechanisms[J].Chinese Journal of Medical Physics,2026,43(5):597-606.[doi:DOI:10.3969/j.issn.1005-202X.2026.05.006]
点击复制

基于改进U-Net融合注意力机制的脑白质病变分割()

《中国医学物理学杂志》[ISSN:1005-202X/CN:44-1351/R]

卷:
43卷
期数:
2026年第5期
页码:
597-606
栏目:
医学影像物理
出版日期:
2026-05-28

文章信息/Info

Title:
Brain white matter lesion segmentation using an enhanced U-Net integrated with attention mechanisms
文章编号:
1005-202X（2026）05-0597-10
作者:
刘庆晨1; 韩晓鑫1; 邝竞凡1; 胡雨辰1; 王建林2
1.甘肃中医药大学医学信息工程学院， 甘肃 兰州 730000； 2.兰州大学第一医院信息中心， 甘肃 兰州 730000
Author(s):
LIU Qingchen1;  HAN Xiaoxin1;  KUANG Jingfan1;  HU Yuchen1;  WANG Jianlin2
1. College of Medical Information Engineering, Gansu University of Chinese Medicine, Lanzhou 730000, China 2. Information Center, the First Hospital of Lanzhou University, Lanzhou 730000, China
关键词:
图像分割; 脑白质病变; 多尺度特征校准; 注意力机制
Keywords:
Keywords:?mage segmentation brain white matter lesion multi-scale feature calibration attention mechanism
分类号:
R318
DOI:
DOI:10.3969/j.issn.1005-202X.2026.05.006
文献标志码:
A
摘要:
脑白质病变分割方法因存在小病灶漏检率高、难以兼顾全局与局部特征的问题，导致分割精度受限。提出一种基于改进U-Net融合注意力机制的模型用于脑白质病变分割。首先，选取深度为15层的U-Net作为骨干网络；在编码阶段嵌入多尺度特征校准模块，利用其双分支结构同步捕获局部细节与全局上下文信息；其次，设计多步特征增强模块实现跨层特征融合，增强对微小病灶的感知能力；然后，设计跨层特征集成模块通过构建不同深度的特征提取路径，实现对编码器各层级特征图的精细化处理与多尺度特征融合；最后，设计边界召回损失函数，通过Sobel梯度对齐机制提升边界分割精度。在2017 WMH分割挑战赛数据集与武汉同济医院脑白质数据集上的实验结果显示，该模型的Dice相似系数分别达到0.831 8和0.854 5，召回率分别达到0.854 7和0.885 1。这表明该研究可以有效且精准地分割脑白质病变图像。 【关键词】图像分割；脑白质病变；多尺度特征校准；注意力机制
Abstract:
Abstract: Given that current brain white matter lesion segmentation methods suffer from limited segmentation accuracy due to high missed detection rates of small lesions and difficulties in balancing global and local features, an improved U-Net model integrated with attention mechanisms is proposed for brain white matter lesion segmentation. Using a 15-layer U-Net as the backbone, this model embeds a multi-scale feature calibration module into the encoder to simultaneously capture local details and global context via a dual-branch structure. Subsequently, a multi-stage feature enhancement module is designed to realize cross-layer feature fusion and enhance the perception capability of small lesions. Furthermore, a cross-layer feature integration module is constructed to build feature extraction pathways at multiple depths for refined multi-scale feature fusion. Finally, a boundary recall loss function is introduced to improve boundary segmentation precision by the Sobel gradient alignment mechanism. Experiments on the 2017 WMH segmentation challenge dataset and the brain white matter dataset from Tongji Hospital (Wuhan) show that the proposed method achieves Dice similarity coefficients of 0.831 8 and 0.854 5, and recall rates of 0.854 7 and 0.885 1, respectively. These findings confirm the effectiveness and precision of the proposed method in brain white matter lesion segmentation.

相似文献/References:

[1]陈海斌,甄 鑫,周凌宏.基于先验的随机游走算法在医学图像分割中的应用[J].中国医学物理学杂志,2015,32(02):174.[doi:10.3969/j.issn.1005-202X.2015.02.005]
[2]许红玉,蔡坦坦,叶良凯,等.分水岭算法在CT图像分割中的应用[J].中国医学物理学杂志,2014,31(06):5272.[doi:10.3969/j.issn.1005-202X.2014.06.012]
[3]周露,张书旭,余辉,等.PET-CT图像配准的预处理研究[J].中国医学物理学杂志,2013,30(05):4392.[doi:10.3969/j.issn.1005-202X.2013.05.012]
[4]赖胜圣,刘虔铖,张刚平.基于模糊C均值自动随机游走算法在脑肿瘤分割中的应用[J].中国医学物理学杂志,2015,32(05):707.[doi:doi:10.3969/j.issn.1005-202X.2015.05.021]
[5]刘国才,胡泽田,朱苏雨,等.头颈部肿瘤PET与MRI融合放疗靶区自适应区域生长勾画[J].中国医学物理学杂志,2016,33(3):222.[doi:10.3969/j.issn.1005-202X.2016.03.002]
　[J].Chinese Journal of Medical Physics,2016,33(5):222.[doi:10.3969/j.issn.1005-202X.2016.03.002]
[6]贾高杰,邱崧,蔡茗名,等.三维点云重构和体显示在医学辅助诊断中的应用[J].中国医学物理学杂志,2016,33(6):593.[doi:10.3969/j.issn.1005-202X.2016.06.012]
　[J].Chinese Journal of Medical Physics,2016,33(5):593.[doi:10.3969/j.issn.1005-202X.2016.06.012]
[7]张泽凡,张东.基于交叉熵和GVF-Snake的子宫肌瘤高强度聚焦超声图像自动分割算法[J].中国医学物理学杂志,2016,33(8):776.[doi:10.3969/j.issn.1005-202X.2016.08.005]
　[J].Chinese Journal of Medical Physics,2016,33(5):776.[doi:10.3969/j.issn.1005-202X.2016.08.005]
[8]胡立伟,白凯,钟玉敏,等. 基于不同图像分割法构建3D打印右室双出口模型[J].中国医学物理学杂志,2016,33(12):1272.[doi:10.3969/j.issn.1005-202X.2016.12.020]
　[J].Chinese Journal of Medical Physics,2016,33(5):1272.[doi:10.3969/j.issn.1005-202X.2016.12.020]
[9]孟爽,王辉,谢蓄芬,等.超像素有偏观测模糊聚类的乳腺超声图像分割[J].中国医学物理学杂志,2017,34(7):693.[doi:10.3969/j.issn.1005-202X.2017.07.009]
　[J].Chinese Journal of Medical Physics,2017,34(5):693.[doi:10.3969/j.issn.1005-202X.2017.07.009]
[10]张玉芳,关天民,刘光孟,等. 基于CT数据的医学图像处理系统设计[J].中国医学物理学杂志,2019,36(9):1055.[doi:DOI:10.3969/j.issn.1005-202X.2019.09.012]
　ZHANG Yufang,GUAN Tianmin,LIU Guangmeng,et al. Design of medical image processing system based on CT data[J].Chinese Journal of Medical Physics,2019,36(5):1055.[doi:DOI:10.3969/j.issn.1005-202X.2019.09.012]

备注/Memo

备注/Memo:
【收稿日期】2026-01-11 【基金项目】甘肃省重点研发计划-社会发展类（20YF8FA080）；甘肃中医药大学研究生“创新创业基金”项目（2025CXCY-050） 【作者简介】刘庆晨，硕士研究生，研究方向：医学图像处理；E-mail: 878087099@qq.com 【通信作者】王建林，正高级工程师，研究方向：医疗信息化，E-mail: 375763325@qq.com
更新日期/Last Update: 2026-05-29