通过在情境层神经网络中嵌入检测头实现多头自动分割

深度学习自动分割在放射治疗中日益受到关注，但传统模型常在缺乏靶结构切片中产生解剖学上不合理的误报，即“幻觉”。我们提出一种基于 Swin U-Net 的门控多头 Transformer 架构，增强了跨切片上下文集成，并加入平行检测头，联合通过多层感知器（MLP）执行切片级结构检测，通过上下文增强路径完成像素级分割。检测输出对分割预测进行门控，以抑制解剖学无效切片中的误报，训练时采用切片级 Tversky 损失以解决类别不平衡问题。在来自 The Cancer Imaging Archive 的 Prostate-Anatomical-Edge-Cases 数据集上进行实验，结果表明该门控模型显著优于仅做分割的非门控基线模型，平均 Dice 损失为 $0.013 \pm 0.036$，而基线模型为 $0.732 \pm 0.314$，且检测概率与解剖存在性强相关，有效消除了不合理的分割。相比之下，非门控模型表现出更高的变异性和持续的误报。这些结果表明，基于检测的门控机制在自动化分割应用中增强了鲁棒性和解剖学合理性，在不损害有效切片分割质量的前提下，减少了幻觉预测，为临床放疗自动描绘工作流程提供了可靠性更好的方法。