基于硬性空间门控的精准驱动脑转移灶体分割：解决深度注意力网络中的过分割悖论
图像与视频处理
2025-12-01 v1 计算机视觉与模式识别
摘要
由于肿瘤体积极小（5-15 mm）且类别极度不平衡（肿瘤体积不足2%），脑转移灶体的MRI分割仍然极具挑战性。虽然软注意力CNN在该领域广泛应用，但我们发现了一个被称为“过分割悖论”的关键性失效模式：模型在获得高召回率（召回率>0.88）的同时，精度崩溃（精度<0.23），且边界误差超过150 mm。这种不精确性对于立体放射外科手术规划构成重大风险。为解决此问题，我们引入了Spatial Gating Network（SG-Net），一种采用硬性空间门控机制的精准导向架构。不同于传统软注意力，SG-Net强制进行严格的特征选择，积极抑制背景伪影，同时保留肿瘤特征。我们在Brain-Mets-Lung-MRI数据集（n=92）上进行了验证，SG-Net实现了Dice相似系数为0.5578 ± 0.0243（95%置信区间：0.45-0.67），在Attention U-Net（p<0.001）和ResU-Net（p<0.001）上均实现统计显著优势。最关键的是，SG-Net在边界精度上实现了三倍改进，95% Hausdorff距离为56.13 mm，远高于Attention U-Net的157.52 mm，同时保持稳健的召回率（0.79）和优异的精度（0.52 vs. 0.20）。此外，SG-Net仅需0.67M参数（仅为Attention U-Net的1/8.8），便于在资源受限的环境中部署。这些发现确立了硬性空间门控作为精准灾体检测的稳健解决方案，直接提升了放射外科手术的准确性。
引用
@article{arxiv.2511.22606,
title = {Hard Spatial Gating for Precision-Driven Brain Metastasis Segmentation: Addressing the Over-Segmentation Paradox in Deep Attention Networks},
author = {Rowzatul Zannath Prerona},
journal= {arXiv preprint arXiv:2511.22606},
year = {2025}
}