GLANCE：基于连续全局-局部交换与共识融合的鲁棒性肺结节分割新范式

针对肺结节形态多样、边界模糊及现有模型难以兼顾全局上下文与局部细节的难题，研究人员提出了一种名为GLANCE（Continuous Global-Local Exchange with Consensus Fusion）的双流架构。该模型通过并行Transformer与卷积分支，结合跨尺度共识融合机制，在LIDC-IDRI、LNDb、LUNA16和Tianchi四个公开基准测试中，实现了分割与检测任务的新SOTA。其多任务学习框架显著提升了模型在低假阳性率下的检测灵敏度，为肺癌早期筛查提供了更精准、鲁棒的工具。

在肺癌的早期诊断中，肺结节的精准分割与检测是至关重要的一环。然而，这一任务面临着巨大的挑战。肺结节在大小、形状、纹理上呈现出极高的多样性，从微小的磨玻璃影到较大的实性肿块，形态各异。更重要的是，许多结节与周围血管、胸膜等组织对比度低、边界模糊，使得机器难以准确识别。此外，结节在CT图像中通常只占据极小的体积，这种极端的类别不平衡也容易导致模型学习出现偏差。

传统的卷积神经网络（CNN）虽然擅长提取局部特征，但其有限的感受野限制了其捕捉长距离依赖关系的能力，难以区分与结节形态相似的血管断面或胸膜粘连。而近年来兴起的Transformer架构虽然能通过自注意力机制建模全局上下文，但其计算成本高昂，且容易在关注全局结构时忽略对分割至关重要的精细局部细节。现有的混合模型多采用顺序或后期融合策略，这种“表征冲突”可能导致信息传播不稳定，难以实现全局与局部信息的协同增效。

为了攻克这一难题，来自重庆大学三峡医院肿瘤科、广州医科大学附属肿瘤医院和伦敦国王学院的研究团队，在《npj Digital Medicine》上发表了题为“GLANCE: continuous global-local exchange with consensus fusion for robust nodule segmentation”的研究论文。他们提出了一种名为GLANCE（Continuous Global-Local Exchange with Consensus Fusion）的全新双流架构，旨在通过一种连续、协同的方式，将全局上下文与局部细节进行深度融合，从而实现对肺结节的鲁棒性分割与检测。

关键技术方法

本研究构建了GLANCE模型，其核心由三个原创组件构成：双流上下文编码器（DiSCo）、跨尺度共识融合（CSCF）和金字塔精炼解码器（PRD）。DiSCo包含一个用于建模长距离依赖的全局上下文Transformer（GCT）和一个用于捕捉多尺度局部细节的多感受野分组空洞混合器（MRGAM）。CSCF机制在编码器的每个层级，通过轻量级的门控融合模块，将GCT和MRGAM输出的特征进行整合，确保全局与局部信息在网络的每一层都能相互补充。PRD则利用这些融合后的特征，通过上采样和跳跃连接，同时输出结节的分割概率图和用于检测的中心热力图。研究在LIDC-IDRI、LNDb、LUNA16和Tianchi四个公开数据集上进行了验证，并进行了全面的消融实验以评估各模块的贡献。

研究结果

1. 多任务学习框架的协同效应

为了量化多任务学习策略的益处，研究将统一的GLANCE模型与两个单任务基线模型（仅检测模型和仅分割模型）进行了比较。结果显示，联合优化分割与检测任务带来了显著的性能提升。在检测方面，GLANCE在每扫描1个假阳性（1 FP/s）的严格标准下，灵敏度达到了95.7%，比仅检测模型（80.2%）提升了15.5个百分点。这表明分割任务迫使共享编码器学习丰富的形态学特征，从而帮助检测头更准确地区分真实结节与形态不一致的假阳性。在分割方面，GLANCE的Dice系数达到了96.4%，优于仅分割模型的95.2%。这表明检测任务通过预测中心热图，为分割输出提供了强大的空间先验，促使模型产生更紧凑、拓扑合理的分割结果。

2. 肺结节分割与检测的SOTA性能

GLANCE在四个公开基准测试中均取得了领先的性能。在分割任务上，GLANCE在LIDC-IDRI数据集上取得了95.5%的Dice系数和0.7 mm的95% Hausdorff距离（HD₉₅），在LNDb数据集上取得了95.3%的Dice系数，显著优于其他SOTA模型。特别是在衡量边界精度的HD₉₅指标上，GLANCE相比次优模型将边界误差降低了30%，证明了其在复杂边界上的精确描绘能力。在检测任务上，GLANCE在LUNA16数据集上取得了93.2%的F1分数，在Tianchi数据集上取得了94.3%的F1分数，均位居榜首。值得注意的是，GLANCE在Tianchi数据集上实现了最高的召回率（93.6%），同时保持了极高的精确度（95.0%），打破了召回率与精确度之间的权衡，这对于临床筛查中避免漏诊至关重要。

3. 消融实验

消融实验系统地评估了GLANCE各核心组件的贡献。移除全局上下文Transformer（GCT）导致Dice系数从95.2%急剧下降至80.0%，证明了长距离上下文信息对于区分结节与周围组织至关重要。移除多感受野分组空洞混合器（MRGAM）导致Dice系数下降至82.5%，证实了多尺度局部特征提取的重要性。移除跨尺度共识融合（CSCF）导致Dice系数下降至82.0%，表明连续、分层的特征融合是模型成功的关键，而非简单的双流并行。此外，实验还验证了MRGAM中基于全局-局部软最大门控的权重机制优于其他混合策略，进一步证明了全局与局部信息协同指导特征提取的有效性。

结论与讨论

本研究提出的GLANCE架构，通过其创新的双流编码器与跨尺度共识融合机制，成功解决了肺结节分割与检测中全局上下文与局部细节难以兼顾的难题。消融实验强有力地证明了，正是这种全局与局部特征的连续、协同融合，而非简单的模块堆叠，是模型取得卓越性能的根本原因。多任务学习框架被证明是有效的，分割任务通过提供形态学约束显著提升了检测的灵敏度，而检测任务则通过提供空间先验优化了分割的边界精度。GLANCE在多个独立数据集上展现出的强大泛化能力，表明其学习到了肺结节的本质特征，而非过拟合于特定数据集的特性。该模型为肺癌的早期筛查提供了一种更精准、更鲁棒的工具，其设计理念也为解决其他医学图像分析任务中全局与局部信息的融合问题提供了新的思路。