ShapeField-Lung：基于连续形状嵌入的肺结节分割模型实现肺癌早期精准检测

本研究针对低剂量CT中肺结节边界模糊、形态不规则导致分割精度不足的问题，开发了基于符号距离场（SDF）的连续形状嵌入框架ShapeField-Nodule。通过结合3D U-Net特征提取器与轻量级MLP解码器，该模型实现了亚体素精度的结节分割，在LIDC-IDRI、LUNA16和天池数据集上Dice系数达到87.3%，显著优于现有方法。该研究为医学图像分割提供了新的形状建模范式，对肺癌早期诊断具有重要临床意义。

在全球范围内，肺癌仍然是癌症相关死亡的主要原因，而早期检测对于提高患者生存率至关重要。低剂量计算机断层扫描（LDCT）因其辐射剂量较低且能检测微小肺结节，已成为大规模筛查的临床可行方案。然而，即使在放射科医生看来，解读LDCT扫描也充满挑战，尤其是在噪声大、对比度低的条件下，结节呈现细微且不规则的形态。准确勾画肺结节边界不仅对诊断至关重要，还对下游的恶性风险估计、纵向跟踪和手术规划具有深远影响。

传统的自动化肺结节分割方法主要将任务表述为体素级的二分类问题，使用卷积神经网络（CNN）将每个体素映射到前景（结节）或背景标签。尽管3D U-Net及其注意力扩展等架构取得了显著进展，但它们往往难以建模结节的精细几何结构。具体而言，离散的体素掩模存在分辨率有限、边界不连续和形状不规则性缺乏等问题，特别是在部分容积效应和采集伪影存在的情况下。这些离散表示难以强制解剖合理性，因为它们没有显式编码连续性或拓扑约束。对于肺结节——其大小、与血管或胸膜的附着方式以及内部纹理差异巨大——这成为主要瓶颈。这些局限性促使研究者寻找更连续、结构化的形状建模替代方案。

符号距离函数（SDF）等隐式神经表示的最新进展，在各种视觉任务中展现出捕捉细节丰富、连续几何形状的卓越能力。这些方法不是预测二值占用情况，而是学习连续的标量场，表示每个空间位置到物体表面的距离，从而提供亚体素精度和自然的边界正则化。虽然最初为3D形状建模开发，但SDF后来被应用于人体姿态估计、医学图像配准和形状补全。然而，将其整合到体积医学图像分割流程中的研究仍然有限。

本研究提出的ShapeField-Nodule框架，创新性地将结节边界建模为连续的符号距离场（SDF），通过轻量级MLP头端附于3D U-Net骨干网络进行回归。通过预测整个输入体积内的SDF值，该方法能够以亚体素精度实现平滑的形状重建，固有地编码形状连续性和拓扑规律性。为确保SDF捕捉解剖学上有意义的边界，研究者引入了形状感知细化损失，使预测的SDF梯度与图像中提取的边缘证据对齐。该损失鼓励零水平集（即预测边界）与强强度梯度重合，从而改善边缘贴合度并减轻过度平滑。与依赖事后表面提取的先前工作不同，本方法是端到端可训练的，无需外部表面拟合。

在技术方法上，研究人员主要采用了以下关键技术：1）基于3D U-Net的多尺度特征提取架构；2）结合坐标感知混合采样（70%近表面采样）的隐式MLP解码器；3）高频位置编码（L=6）用于空间坐标输入；4）形状感知细化损失函数实现SDF梯度与图像边缘对齐。研究使用了来自LIDC-IDRI、LUNA16和天池数据集的肺结节CT图像，通过5折交叉验证进行评估。

2.1 数据集与预处理

研究在三个公开可用的CT数据集上验证ShapeField-Nodule的有效性和泛化性：LIDC-IDRI（1018例LDCT扫描）、LUNA16（888例扫描）和天池肺结节数据集（1000多例胸部CT扫描）。所有扫描被重采样为1.0 mm各向同性分辨率，并裁剪为64×64×64大小的以结节质心为中心的3D图像块。HU值被限制在[-1000,400]范围内，并归一化为零均值和单位方差。采用5折患者级交叉验证策略。

2.2 评估指标

使用区域基础指标（Dice相似系数）和边界基础指标（平均表面距离ASD、95%豪斯多夫距离HD95）以及SDF平均误差（SDF-ME）进行全面评估。

2.4 主要结果

在LIDC-IDRI数据集上，ShapeField-Nodule在Dice系数（87.3%）、ASD（1.03 mm）和HD95（2.95 mm）上均优于所有体素基础基线方法。与最强的隐式基线SDF-Seg相比，Dice提高了1.2%，ASD改善了0.13 mm。统计显著性检验表明改进是显著的（p<0.01）。

2.5 定性结果

可视化比较显示，体素基础方法（如nnU-Net）往往产生锯齿状或阶梯状边界，尤其在低对比度或边界不清的区域。相比之下，ShapeField-Nodule生成更平滑、解剖学上合理的轮廓，与真实结节边界更好对齐。这一优势在胸膜旁结节和不规则形状病变等困难病例中尤为明显。

2.6 消融研究

消融实验验证了各组件贡献：移除SDF损失导致Dice下降1.6%；禁用形状感知边缘细化损失使Dice降低1.4%；去除位置编码导致性能显著下降；用1×1卷积头替换MLP也会降低性能。最佳参数配置为边缘细化损失权重λ=0.1，近表面采样比例70%。

2.7 鲁棒性与泛化性

在合成扰动（高斯噪声、运动模糊、对比度偏移）下，ShapeField-Nodule表现出更强的稳定性。跨数据集评估（LUNA16和天池）显示，无需域适应或微调即可实现85.8%和85.2%的Dice分数，表明对域偏移的强鲁棒性。

2.8 推理效率

在准确性、推理延迟和模型大小之间达到良好平衡，参数量少于1000万，每3D图像块推理时间约0.11秒。

研究结论表明，ShapeField-Nodule通过连续形状嵌入框架成功解决了LDCT中肺结节分割的几何精度挑战。与传统的体素基础方法相比，SDF表示不仅提高了分割准确性，还增强了形状一致性和对噪声的鲁棒性。该方法的隐含表面表示为下游任务（如基于表面的分析或3D网格提取）提供了便利，为几何一致的临床解释开辟了道路。未来工作将扩展该隐式表示到多目标分割，整合SDF场的不确定性建模，并探索其在3D网格重建和影像组学驱动分析中的应用。

尽管ShapeField-Nodule在大多数情况下表现优异，但在极端小结节或严重运动伪影等挑战性病例中仍存在局限性。这些情况下的部分容积效应和损坏的图像梯度可能导致边界预测偏差，为未来改进指明了方向。总体而言，这项发表于《npj Digital Medicine》的工作为医学图像分割提供了原则性强且可解释的替代方案，在肺癌早期筛查的真实临床流程中具有巨大应用潜力。